使用Tensorflow数据集时，模型精度没有增加。

Question

我正试图使用以下方法对狗和猫的图片进行分类 tensorflow-datasets但无论我运行多少个纪元，我的损失和准确性似乎都没有改变。

import tensorflow_datasets as tfds
import tensorflow as tf

dataset_name = 'cats_vs_dogs'
dataset, info= tfds.load(name=dataset_name, split=tfds.Split.TRAIN, with_info=True)


def preprocess(features):
    print(features['image'], features['label'])
    image = tf.image.resize(features['image'], [224,224])
    image = tf.divide(image, 255)
    print(image)
    label = features['label']
    print(label)
    return image, label

def solution_model():
    train_dataset = dataset.map(preprocess).batch(32)

    model = tf.keras.Sequential( 
        [
            tf.keras.layers.Conv2D(16, (3, 3), input_shape=(224, 224, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Flatten(),
            tf.keras.layers.Dense(1024, activation='relu'),
            tf.keras.layers.Dropout(0.5),
            tf.keras.layers.Dense(1, activation='softmax')
        ]
    )
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    model.summary()
    history = model.fit(train_dataset, epochs=100, verbose= 2)

    return model


if __name__ == '__main__':
    model = solution_model()
    model.save("mymodel.h5")

无论我运行多少次，我得到的结果都是一样的。我只是得到同样的结果。

Epoch 1/100
727/727 - 51s - loss: 7.6423 - accuracy: 0.4988
Epoch 2/100
727/727 - 51s - loss: 7.6423 - accuracy: 0.4988
Epoch 3/100
727/727 - 51s - loss: 7.6423 - accuracy: 0.4988

Answer 1

这个问题与TensorFlow数据集的使用无关，而是与你的网络末端的softmax层的使用有关。

你的网络的输出形状是一个单一的标量（0代表猫，1代表狗）。在标量上使用softmax使得它总是去1，因此你的损失& 准确性被卡住了：无论输入什么，你总是预测1。

相反，你可能应该使用一个简单的sigmoid，这更符合你的使用情况，并保持softmax的情况下，输出形状是不是一个单一的标量（例如，对于一个热编码的目标）。

修改后的代码如下（我测试了一下，它学到了一些东西）。

import tensorflow_datasets as tfds
import tensorflow as tf

dataset_name = 'cats_vs_dogs'
dataset, info= tfds.load(name=dataset_name, split=tfds.Split.TRAIN, with_info=True)


def preprocess(features):
    print(features['image'], features['label'])
    image = tf.image.resize(features['image'], [224,224])
    image = tf.divide(image, 255)
    print(image)
    label = features['label']
    print(label)
    return image, tf.cast(label, tf.float32)

def solution_model():
    train_dataset = dataset.map(preprocess).batch(32)

    model = tf.keras.Sequential( 
        [
            tf.keras.layers.Conv2D(16, (3, 3), input_shape=(224, 224, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
            tf.keras.layers.MaxPool2D(2, 2),
            tf.keras.layers.Flatten(),
            tf.keras.layers.Dense(1024, activation='sigmoid'),
            tf.keras.layers.Dropout(0.5),
            tf.keras.layers.Dense(1, activation='sigmoid')
        ]
    )
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    model.summary()
    history = model.fit(train_dataset, epochs=100, verbose=1)

    return model


if __name__ == '__main__':
    model = solution_model()
    model.save("mymodel.h5")