3

我已经在 Keras 中实现了一个 EfficientNet，用于使用图像生成器解决二进制问题。在测试用例中，当我预测输出时，它返回一个具有一组概率但只引用一个类的数组，这里是代码和输出：

test_image_generator = ImageDataGenerator(
rescale=1./255
)
real_test=test_image_generator.flow_from_directory(
directory='/content/real_test',
target_size=(224, 224),
color_mode="rgb",
batch_size=1,
class_mode=None,
shuffle=False,
#seed=42
)

输出是：

real_test.reset()
from keras.models import load_model
efficient_net_custom_model = load_model('model_efficientnet4.h5',compile=False)
pred = efficient_net_custom_model.predict_(real_test, steps = len(real_test), verbose = 1)
print (pred)

现在，当打印 4 个不同图像的预测时，它会返回：

[[0.45415235]
[0.52390164]
[0.9999932 ]
[0.99946016]]

基本上每个图像只有一个输出概率（我认为），并且无法说哪个是实际的类。不是吗？我该怎么做才能解决这个问题？

谢谢

编辑：

包括型号代码

def output_custom_model(prebuilt_model):
print(f"Processing {prebuilt_model}")
prebuilt = prebuilt_model(include_top=False,
                        input_shape=(224, 224, 3),
                        weights='imagenet')
output = prebuilt.output
output = GlobalMaxPooling2D()(output)
output = Dense(128, activation='relu')(output)
output = Dropout(0.2)(output)
output = Dense(1, activation='sigmoid')(output)

model = Model(inputs=prebuilt.input, outputs=output)
model.compile(optimizer='sgd', loss='binary_crossentropy',
          metrics=METRICS)
return model


efficient_net_custom_model = output_custom_model(EfficientNetB4)
filepath='model_efficientnet4.h5'


efficient_net_history = 
efficient_net_custom_model.fit_generator(train_generator,
                             epochs=20,
                             validation_data=validation_generator,
                             )
4

2 回答 2

2

在某些类型的网络中，二进制输出只是一个，它代表第一类训练数据。我们假设您的训练数据是这样的：

img1data, class1
img2data, class1
..
imgNdata, class2

您的网络已接受 class1 作为默认类，并且给定的结果是该类的分数。所以这些结果显示了class1的分数。

[[0.45415235]
[0.52390164]
[0.9999932 ]
[0.99946016]]

由于二分类，第一个结果显示class1的分数是0.45，所以class2一定是0.55，图像属于class2。最后的结果显示class1的分数是0.999，所以class2一定是0.0006，图片属于class1。等等...

您可以编写一个方法来进行这些操作并找到图像所属的类。

def find_class(result):
    if result >= 0.5:
        return "class1"
    else:
        return "class2"

find_class(result[0])
于 2020-07-09T10:47:23.060 回答
0

您的行output = Dense(1, activation='sigmoid')(output) 仅指定了一个输出概率。您将需要两个像 softmax 这样的神经元来指示您想要做什么。

于 2021-12-13T00:36:43.523 回答