提高 CNN 模型的准确性（停留在非常低的准确性）

Question

这是我的代码：用于图像识别的 CNN 训练

python

# definiton of code

def make_model():


    model = Sequential()
    model.add(Conv2D(16, (3,3),input_shape = (32,32,3), padding = "same", 
    kernel_initializer="glorot_uniform"))
    model.add(LeakyReLU(alpha=0.1))

    model.add(Conv2D(32, (3,3),input_shape = (32,32,3), padding = "same", 
    kernel_initializer="glorot_uniform"))
    model.add(LeakyReLU(alpha=0.1))
    model.add(MaxPooling2D(pool_size = (2,2),padding = "same"))
    model.add(Dropout(0.25))*

  

    model.add(Conv2D(32,(3,3), input_shape = (32,32,3), padding = "same"))
    
    model.add(LeakyReLU(alpha=0.1))

    model.add(Conv2D(64, (3,3),input_shape = (32,32,3), padding = "same"))
    model.add(LeakyReLU(alpha=0.1))

    model.add(MaxPooling2D(pool_size = (2,2),padding = "same"))
    model.add(Dropout(0.25))

    *layer*

    model.add(Flatten())
    model.add(Dense(256))

    *for activation*
    model.add(LeakyReLU(alpha=0.1))
    model.add(Dropout(0.5))
    
    model.add(Dense(10))

    *for activation*
    model.add(LeakyReLU(alpha=0.1))

    model.add(Activation("softmax"))

然后它一直停留在结果上，这让我很害怕：

loss: 7.4918; acc: 0.1226.

我一直在尝试更多的方法，但我不知道我应该为正确的路径做些什么。

Answer 1

没有问题的详细信息，很难进行更多的调查。

但我鼓励您多看看 :

BatchNormalization
损失函数
学习率
优化器
隐藏层

Answer 2

当前最先进的技术是将卷积与批量归一化和 ReLU 激活一起应用。顺序应如下：

卷积
批量归一化
ReLU（也可能是leaky ReLu或任何其他激活）

所以你应该在你的卷积之后添加 BN，然后你也应该删除 DropOut。许多研究人员研究过，如果使用 BN，则不需要 Dropout，而且 BN 的性能实际上更好。

除此之外，您可能应该尝试使用学习率、过滤器数量等参数。

还要确保您使用的是正确的损失和与损失相对应的输出激活。

提高 CNN 模型的准确性（停留在非常低的准确性）

Increase accuracy of CNN model (stuck at really low accuracy)

python

machine-learning

image-recognition

conv-neural-network

keras