2

我正在构建一个，但是，当我使用lenet 示例中提供的自定义训练函数且批量大于 110 时，我的准确度大于 1（100%）。

如果我使用批量大小 32，我将获得 30% 的准确率。批量大小等于 64 我的净精度为 64。批量大小等于 128，精度为 1.2。

我的图像是 32x32。训练数据集：56 张中性人脸图像。60 张惊喜面孔的图像。测试数据集：15 张中性人脸图像。15 张惊喜面孔的图像。

这是我的代码：

def train(solver):

niter = 200
test_interval = 25 

train_loss = zeros(niter)
test_acc = zeros(int(np.ceil(niter / test_interval)))
output = zeros((niter, 32, 2))

for it in range(niter):
    solver.step(1)
    train_loss[it] = solver.net.blobs['loss'].data
    solver.test_nets[0].forward(start='conv1')
    output[it] = solver.test_nets[0].blobs['ip2'].data[:32]
    if it % test_interval == 0:
        print 'Iteration', it, 'testing...'

        correct = 0

        for test_it in range(100):
            solver.test_nets[0].forward()
            correct += sum(solver.test_nets[0].blobs['ip2'].data.argmax(1) == solver.test_nets[0].blobs['label'].data)

        test_acc[it // test_interval] = correct / 1e4

那么，我的代码有什么问题？

4

1 回答 1

3

在您的测试代码中，您运行 100 次迭代 ( for test_it in range(100))，在每次迭代中，您计算​​一批中正确correct的示例数。然后将该数字除以 1e4。

假设您的模型非常好，并且预测率几乎为 100%。然后在 100 次迭代中的每一次批量大小为 32 的情况下，您将 32 添加到correct，产生 3200。然后将其除以 1e4，最终得到 0.32，这与您看到的几乎一致（您的数字略少，因为有时您的模型确实错误地预测了目标）。

要修复它，您可以更换

test_acc[it // test_interval] = correct / 1e4

和

test_acc[it // test_interval] = correct / (100.0 * batch_size)
于 2015-11-17T17:58:00.560 回答