UNET 训练：精度从 0.99 开始
UNET training: accuracy starts over 0.99
我正在尝试使用 UNET 进行一些图像分割（类似于 this 但 2D）。然而，即使在 epoch 1 开始时，准确率也非常高。
32/3616 [..............................] - ETA: 4:59:02 - loss: 0.6761 - accuracy: 0.9964
64/3616 [..............................] - ETA: 5:02:32 - loss: 0.4355 - accuracy: 0.9966
这正常吗？对我来说，感觉就是学不会！
哪一个是学习的标志；损失、准确性或两者兼而有之？
p.s.: 我正在使用 CPU，我会尝试使用 GPU 训练来加速。
您可能正在处理不平衡的数据集。当您尝试分割的结构很小（例如，取图像的 1%）时，您的网络可以具有 99% 的准确度。然后，如果您的网络仅预测 0，您将获得 99% 的准确度（因为预测 99% 的 "empty" 像素是正确的）。
您应该使用更多信息指标来跟踪您的网络性能，包括 Dice 分数。
损失在这里是更好的学习指标。
此外，用 CPU 为现实生活中的任务训练 U-Net 几乎是不可能的（需要数周或数月）。您应该使用 GPU 以获得良好的性能。
我正在尝试使用 UNET 进行一些图像分割（类似于 this 但 2D）。然而，即使在 epoch 1 开始时，准确率也非常高。
32/3616 [..............................] - ETA: 4:59:02 - loss: 0.6761 - accuracy: 0.9964
64/3616 [..............................] - ETA: 5:02:32 - loss: 0.4355 - accuracy: 0.9966
这正常吗？对我来说，感觉就是学不会！
哪一个是学习的标志；损失、准确性或两者兼而有之？
p.s.: 我正在使用 CPU，我会尝试使用 GPU 训练来加速。
您可能正在处理不平衡的数据集。当您尝试分割的结构很小（例如，取图像的 1%）时，您的网络可以具有 99% 的准确度。然后，如果您的网络仅预测 0，您将获得 99% 的准确度（因为预测 99% 的 "empty" 像素是正确的）。
您应该使用更多信息指标来跟踪您的网络性能，包括 Dice 分数。
损失在这里是更好的学习指标。
此外，用 CPU 为现实生活中的任务训练 U-Net 几乎是不可能的（需要数周或数月）。您应该使用 GPU 以获得良好的性能。