CNN 与 keras，准确性没有提高

我最近开始学习机器学习，我正在学习CNN，我计划在这个的帮助下编写一个用于汽车损坏严重程度检测的应用程序喀拉斯博客和这个github 仓库.

汽车数据集如下所示：

F:\WORKSPACE\ML\CAR_DAMAGE_DETECTOR\DATASET\DATA3A
├───training (979 Images for all 3 categories of training set)
│   ├───01-minor
│   ├───02-moderate
│   └───03-severe
└───validation (171 Images for all 3 categories of validation set)
    ├───01-minor
    ├───02-moderate
    └───03-severe

以下代码的准确率仅为 32%。

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K


# dimensions of our images.
img_width, img_height = 150, 150

train_data_dir = 'dataset/data3a/training'
validation_data_dir = 'dataset/data3a/validation'
nb_train_samples = 979
nb_validation_samples = 171
epochs = 10
batch_size = 16

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')
model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

model.save_weights('first_try.h5')

I tried:

• 将纪元增加到 10、20,50。
• 通过增加数据集中的图像（将所有验证图像添加到训练集中）。
• 通过更新过滤器尺寸Conv2D layer
• 尝试添加几个Conv2D layer, MaxPooling layers
• 还尝试了不同的优化器，例如adam, Sgd, etc
• 还尝试将过滤器步幅更新为(1,1) and (5,5)代替(3,3)
• 还尝试将不断变化的图像尺寸更新为(256, 256), (64, 64) from (150, 150)

但运气不好，每次我的准确率都达到 32% 或更低，但不会更高。 知道我错过了什么吗？

正如在github 仓库我们可以看到，它对于相同的数据集给出了 72% 的准确率（训练 -979，验证 -171）。为什么它对我不起作用。

我在我的机器上从github链接尝试了他的代码，但在训练数据集时挂断了（我等了8个多小时），所以改变了方法，但到目前为止仍然没有运气。

这是Pastebin包含我的训练时期的输出。

该问题是由于输出类的数量（三）与您选择的最终层激活（S形）和损失函数（二元交叉熵）之间不匹配引起的。

sigmoid 函数将实数值“压缩”为 [0, 1] 之间的值，但它仅针对二元（两类）问题而设计。对于多个类，您需要使用诸如 softmax 函数之类的东西。 Softmax 是 sigmoid 的通用版本（当你有两个类时，两者应该是等效的）。

损失值还需要更新为可以处理多个类别的值 - 分类交叉熵在这种情况下将起作用。

就代码而言，如果将模型定义和编译代码修改为以下版本，则应该可以工作。

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

最后你需要指定class_mode='categorical'在您的数据生成器中。这将确保输出目标被格式化为分类 3 列矩阵，其中列中的 1 对应于正确的值，其他位置的 0 对应。需要此响应格式categorical_cross_entropy损失函数。