问卷积神经网络训练

EN

您的模型将始终像您的标签一样进行预测，因此，例如，如果您使用MNIST数据训练您的模型，当您进行预测时，预测将始终是0-9，就像MNIST标签一样。

你可以做的是首先用两个类别训练一个不同的模型，在这个模型中，你将预测一个图像是属于数据集A还是属于B.E.x。对于MNIST数据，您将所有数据标记为1，并添加来自不同来源(不是0-9)的数据，并将其标记为0。然后训练一个模型，以确定图像是否属于MNIST。

卷积神经网络(CNN)在训练后从定义的类中预测结果。CNN总是从其中一个类返回，而不考虑准确性。我也遇到过类似的问题，你能做的就是检查准确值。如果准确率低于某个阈值，则它属于无类别。希望这能有所帮助。

您可能有三个输出节点，并选择最大值(一次热编码)。这有点不幸，因为它的输出数量很少。无法识别的输入往往会导致相当随机的输出。

现在，有3个输出，粗略地说，你可以得到7个结果。您可能会得到一个高的值(3种可能性)，但无法识别的输入也可能导致2种高的输出(也有3种可能性)或大致相等的输出(也有3种可能性)。因此，随机输入在输出节点上产生模式的可能性很大(~ 3/7)，这是您仅对已识别的输入所期望的。

现在，如果您有15个类，因此有15个输出节点，那么对于未识别的输入，您将看到大约32767个可能的结果，其中只有15个对应于预期的单热点结果。

这背后的原因是缺乏训练数据。如果你的训练集有3个类别之外的例子，你可以把它放在第四个“其他”类别中，然后用它进行训练。这本身并不是一个可靠的指示，因为通常理论上的“其他”集合是巨大的，但您现在有两种互补的方法来检测其他输入:通过“其他”输出节点或通过11个不明确的输出中的一个。