我对这些东西很新,所以请耐心等待。我跟着一个关于YT图像识别/分类的快速简单视频,该程序确实可以用高百分比对图像进行分类。但后来我确实有其他一些错误分类的图像。
在tensorflow网站上:https://www.tensorflow.org/tutorials/image_retraining#distortions
但是,通常应该避免在测试集中对单个错误进行定点,因为它们可能仅仅反映了(更大)训练集中的更一般的问题。
所以这是我的问题:
不幸的是,通常没有简单的解决办法,因为你所训练的模型非常复杂,人类很难解释。
但是,您可以使用一些技术来尝试减少测试错误。首先,通过观察列车和测试误差之间的差异,确保您的模型不会过度拟合或不合适。如果是这种情况,则尝试应用标准技术,例如选择更深的模型和/或如果过度拟合则使用更多滤波器,或者如果过度拟合则添加正则化。
既然你说你已经在高比例的时间内正确分类,我会开始直接检查错误分类的例子,以尝试深入了解你可以改进的内容。
如果可能,请尝试观察错误分类的图像的共同点。如果你很幸运,他们都属于一个或几个类别。以下是您可能会看到的一些示例和可能的解决方案:
您也可能已达到当前方法的极限。如果您仍需要更好地考虑尝试使用其他方法,例如使用预训练网络进行图像识别,例如VGG。