image - 使用单类数据的图像分类的训练和验证准确率是错误的，想要解决这个问题

Question

我已经建立了一个图像分类程序，使用 32 张图像用于训练，16 张图像用于验证，批量大小为 16 和 10 个 epoch。

我已将 ImageDataGenerator(rescale=1./255).flow_from_directory(image path and other parameters) 用于训练和验证图像。

我想对 1 个类别或单个类别的图像进行分类。

但是，当我为 keras 序列（）模型使用 model.fit_generator（具有铰链损失，并使用优化器 - 'rmsprop' 和 'Adam'）编译程序时，我得到的输出是训练和验证精度在第一个时期接近 1，对于剩余的时期，训练和验证与 1 完全相同。

请发送答案，我如何将训练准确度和验证准确度的输出固定为从 0.63 或类似开始，并在每个时期逐渐增加 6% 到 10%。

顺便提一下，我想训练和验证 1 类或单类的图像。

如果您需要有关此程序的更多详细信息，请发表评论。

Answer 1

鉴于您正在使用深度学习，对于任何图像分类来说，32 张图像的数量都非常少。
所以这种行为是意料之中的，因为你的图像非常少，它会适合第一个时代本身的所有图像。因此，准确性不会逐渐增加。
如果可以的话，添加更多图像并尝试一些增强技术来增加你的训练集。此外，由于您正在进行二进制分类，因此您还必须包含负面示例（不属于您的类的图像）。