Потери и точность проверки остаются постоянными


12

Я пытаюсь реализовать эту статью на множестве медицинских изображений. Я делаю это в Керасе. Сеть по существу состоит из 4 слоев conv и max-pool, за которыми следуют полностью связанный слой и программный классификатор max.

Насколько я знаю, я следовал архитектуре, упомянутой в статье. Однако потери и точность проверки просто остаются неизменными. Точность, кажется, зафиксирована на уровне ~ 57,5%.

Буду очень признателен за любую помощь в том, где я могу пойти не так.

Мой код:

from keras.models import Sequential
from keras.layers import Activation, Dropout, Dense, Flatten  
from keras.layers import Convolution2D, MaxPooling2D
from keras.optimizers import SGD
from keras.utils import np_utils
from PIL import Image
import numpy as np
from sklearn.utils import shuffle
from sklearn.cross_validation import train_test_split
import theano
import os
import glob as glob
import cv2
from matplotlib import pyplot as plt

nb_classes = 2
img_rows, img_cols = 100,100
img_channels = 3


#################### DATA DIRECTORY SETTING######################

data = '/home/raghuram/Desktop/data'
os.chdir(data)
file_list = os.listdir(data)
##################################################################

## Test lines
#I = cv2.imread(file_list[1000])
#print np.shape(I)
####
non_responder_file_list = glob.glob('0_*FLAIR_*.png')
responder_file_list = glob.glob('1_*FLAIR_*.png')
print len(non_responder_file_list),len(responder_file_list)

labels = np.ones((len(file_list)),dtype = int)
labels[0:len(non_responder_file_list)] = 0
immatrix = np.array([np.array(cv2.imread(data+'/'+image)).flatten() for image in file_list])
#img = immatrix[1000].reshape(100,100,3)
#plt.imshow(img,cmap = 'gray')


data,Label = shuffle(immatrix,labels, random_state=2)
train_data = [data,Label]
X,y = (train_data[0],train_data[1])
# Also need to look at how to preserve spatial extent in the conv network
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=4)
X_train = X_train.reshape(X_train.shape[0], 3, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 3, img_rows, img_cols)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')

X_train /= 255
X_test /= 255

Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()

## First conv layer and its activation followed by the max-pool layer#
model.add(Convolution2D(16,5,5, border_mode = 'valid', subsample = (1,1), init = 'glorot_normal',input_shape = (3,100,100))) # Glorot normal is similar to Xavier initialization
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
# Output is 48x48

print 'First layer setup'
###########################Second conv layer#################################
model.add(Convolution2D(32,3,3,border_mode = 'same', subsample = (1,1),init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
#############################################################################

print ' Second layer setup'
# Output is 2x24

##########################Third conv layer###################################
model.add(Convolution2D(64,3,3, border_mode = 'same', subsample = (1,1), init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
#############################################################################
# Output is 12x12

print ' Third layer setup'
###############################Fourth conv layer#############################
model.add(Convolution2D(128,3,3, border_mode = 'same', subsample = (1,1), init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
############################################################################# 

print 'Fourth layer setup'

# Output is 6x6x128
# Create the FC layer of size 128x6x6#
model.add(Flatten()) 
model.add(Dense(2,init = 'glorot_normal',input_dim = 128*6*6))
model.add(Dropout(0.6))
model.add(Activation('softmax'))

print 'Setting up fully connected layer'
print 'Now compiling the network'
sgd = SGD(lr=0.01, decay=1e-4, momentum=0.6, nesterov=True)
model.compile(loss = 'mse',optimizer = 'sgd', metrics=['accuracy'])

# Fit the network to the data#
print 'Network setup successfully. Now fitting the network to the data'
model. fit(X_train,Y_train,batch_size = 100, nb_epoch = 20, validation_split = None,verbose = 1)
print 'Testing'
loss,accuracy = model.evaluate(X_test,Y_test,batch_size = 32,verbose = 1)
print "Test fraction correct (Accuracy) = {:.2f}".format(accuracy)

Потеря обучения снижается?
Ян ван дер Вегт

Нет, потеря тренировок также остается постоянной.
Рагурам

Вы не установили никакие данные проверки или validation_split в своем вызове соответствия, на чем они будут проверяться? Или ты имел ввиду тест?
Ян ван дер Вегт

То есть после экспериментов вокруг. Я установил validation_split = 0.2, прежде чем установить его на None, и тоже поэкспериментировал с этим.
Raghuram

2
Может вы подходите одну партию на много раз , чтобы увидеть , если вы можете получить потерю обучения , чтобы быть ниже?
Ян ван дер VegT

Ответы:


4

Похоже, что вы используете MSE в качестве функции потери, судя по тому, как они используют NLL (перекрестная энтропия), MSE считается подверженным дисбалансу данных среди других проблем, и это может быть причиной проблемы, с которой вы столкнулись. опыт, я бы попробовал тренироваться с использованием потери категорийной кросентропии в вашем случае, более того, скорость обучения 0,01 кажется слишком большой, я бы попробовал поиграть с ней и попробовать 0,001 или даже 0,0001


2

Хотя я немного опаздываю, я хотел бы внести свои два цента, поскольку это помогло мне решить аналогичную проблему в последнее время. Что пришло к моему спасению был масштабированием черты и в диапазоне (0,1) , кроме категорического кросс-энтропии потери. Тем не менее, стоит сказать, что масштабирование объектов помогает только в том случае, если объекты принадлежат разным метрикам и обладают гораздо большим разбросом (в порядках величин) относительно друг друга, как было в моем случае. Кроме того , масштабирование может быть очень полезно , если один использует hingeпотери, так как максимальная рентабельность классификаторы , как правило , чувствительна к расстояниям между значениями функций. Надеюсь, что это поможет некоторым будущим посетителям!

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.