ケラス畳み込みニューラルネットワークの妥当性確認の精度が変更されない

Question

形状（チャンネル数、高さ、幅）=（3、30、30）の画像データに畳み込みニューラルネットワーク（this one） ）。私は76960トレーニングサンプル、19240テストサンプル、および39クラスがあります。

# Train the model using Stochastic grad descent + momentum 
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) 
cnn.compile(loss='categorical_crossentropy', 
      optimizer=sgd, 
      metrics=['accuracy']) 


batch_size = 128 
nb_epoch = 50 

cnn.fit(x_train, y_train, 
     batch_size = batch_size, 
     nb_epoch = nb_epoch, 
     validation_data=(x_test, y_test), 
     shuffle=True) 

トレーニング損失とエポック以上の精度の変化が、（0.3387から0.3357まで）第二エポックへ1日からの変更のみの検証精度、そしてそれは0.3357すべてのまま：コードの最後のいくつかのブロックがあります道。

さまざまなバッチサイズ（32,128または256）、learning rate（途中で10を掛けて1e-6から0.1まで）を試してみました。data normalizationの有無にかかわらず試しました（基本平均シフトと除算sdによって）。これらのどれも働いていません。

Answer 1

あなたが抱いている正確さのパーセント（33.5％）は、支配的なクラスに入る例の割合と同じです（あなたは「約34％」と言っています - ほぼ確実に33.5％ ）。

問題はあなたの画像データを正規化していないということです。ピクセル値が1〜255の場合、モデルはいつも同じクラスを予測することになります。これが起こっていることを確認するには、model.predict(x_train)を使用して、あなたのモデルが予測しているものを見てください。私はそれが正確に統一されていると、それは常にあなたのデータの34％を占めるクラスだと思います。

この問題を解決するには、データを正規化するだけです。x_trainを255で除算してからモデルをトレーニングしてください。

x_train = x_train/255.0