基于Keras MNIST示例训练CNN连体网络时，验证准确率停留在0.50
，可能是由于以下几个原因：
- 数据预处理不充分：在进行模型训练之前，对数据进行预处理是非常重要的。对于MNIST数据集，常见的预处理步骤包括将图像像素值缩放到0和1之间，进行标准化处理，以及对标签进行独热编码等。如果没有正确进行数据预处理，可能会影响模型的训练效果。
- 模型架构设计问题：CNN连体网络的设计也是影响准确率的关键因素。需要确保模型具有足够的深度和适当的宽度，以提取图像特征。另外，卷积层、池化层和全连接层的层数和参数设置也需要合理。可能需要尝试调整模型架构，增加网络的深度或宽度，以提高准确率。
- 训练参数设置不当：在训练模型时，需要合适地设置训练参数，如学习率、批量大小、优化器等。学习率过高或过低都会影响模型的收敛速度和准确率。批量大小的选择也需要考虑内存限制和训练速度之间的平衡。选择合适的优化器也是提高模型性能的重要因素。
- 训练数据不足：如果训练数据集较小，可能会导致模型无法充分学习到数据集的特征。这可能会导致模型出现欠拟合的情况，准确率无法提高。可以尝试增加训练数据集的大小，或者考虑使用数据增强技术来扩充数据集，以提高模型的泛化能力和准确率。
针对以上问题，我可以提供以下建议：
- 数据预处理：确保对数据进行适当的预处理，包括数据缩放、标准化和独热编码等。可以使用Keras中的预处理工具或自定义函数进行数据预处理。
- 模型架构设计：尝试调整CNN连体网络的架构，增加网络深度或宽度，并确保合适的参数设置。可以尝试添加更多的卷积层、池化层和全连接层，以提取更多的图像特征。
- 训练参数设置：调整训练参数，如学习率、批量大小和优化器等。可以尝试不同的学习率和批量大小，观察模型的收敛速度和准确率变化。可以使用不同的优化器，如Adam、SGD等，并比较它们的效果。
- 增加训练数据：如果训练数据集较小，可以考虑增加训练数据的数量，或使用数据增强技术。数据增强可以通过对图像进行平移、旋转、缩放和翻转等操作，生成更多的训练样本，以提高模型的泛化能力。
腾讯云相关产品和链接地址：
- 数据处理和存储：腾讯云对象存储（COS）(https://cloud.tencent.com/product/cos)、腾讯云数据库MySQL版（https://cloud.tencent.com/product/cdb_mysql.html）
- 人工智能：腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）和腾讯云智能图像识别（https://cloud.tencent.com/product/tiia）
- 云原生：腾讯云容器服务（https://cloud.tencent.com/product/ccs）和腾讯云无服务器云函数（https://cloud.tencent.com/product/scf）
- 音视频和多媒体处理：腾讯云音视频处理（https://cloud.tencent.com/product/vod）和腾讯云媒体转码（https://cloud.tencent.com/product/mtc）
这些产品可以帮助您在云计算领域进行开发、存储和处理数据、构建人工智能模型、进行云原生应用开发、处理音视频和多媒体等任务。
相关·内容
当训练基于Keras MNIST example的连体卷积神经网络时，它的验证精度停留在0.50。此外，训练和验证损失减少，而训练精度也徘徊在0.50左右。创建连体网络的代码类似于： input_shape = x_train.shape[2:]
print('input_shape:',i
浏览 12提问于2019-02-20得票数 0
1回答
下面是我的网络架构： cnn3 = Sequential()cnn3.add(MaxPooling2D((2, 2)))cnn3.add(Conv2D(64, kernel_size=(3, 3), activation='relu
浏览 25提问于2020-09-01得票数 0
回答已采纳
1回答
我正在使用CNN对无线信号进行分类。同时，我遇到了一些奇怪的问题-当训练集准确率为80%时，我获得了79%的测试集准确率，但当trianset准确率为93%时，测试集准确率下降到了71%。我的网络是基于keras + tensorflow的。net的细节是： CNN(512,(2,2),tanh) flatten()
DNN(5
浏览 38提问于2020-07-26得票数 0
我有一个CNN，它训练几十万个例子，在一个时期后验证准确率达到95%左右。这是简单的代码，使用Keras定义使用Sequential API的网络。最初，我在TF 1.3上准备并使用了这个模型。当我将它移植到TF2.1，用tensorflow.keras替换keras调用时，它很快就达到了~60%，并停留在那里(似乎有很多时期)，训练损失似乎总是收敛到相同的值。如果我在脚本的顶部添加tf.disable_v2_beh
浏览 240提问于2020-05-14得票数 2
2回答
我在python中使用tf.keras，它在以前的项目中工作得很好，但对于这个项目，无论我训练它多长时间，它都会给出随机的结果(5个可能的输出，20%的准确率)。5个可能的物体是：-四条腿的动物-人的形象-飞机-卡车-汽车
我之前尝试过完全连接的神经网络，使用完全相同的数据集，经过10分钟的训练，它的准确率达到了约50%。我的目标是达到90%的准确率，这就是为什么我尝试使用CNN代替。我还使用了mnist数据集，并使用tf.k
浏览 22提问于2019-07-22得票数 2
我正在为我的训练和验证集使用ImageDataGenerator(validation_split).flow_from_directory(subset)。因此，训练和验证数据都有自己的生成器。训练完数据后，我在验证生成器上运行model.evaluate()，获得了大约75%的准确率。但是，当我在相同验证生成器上运行model.predict()时，准确率下降到1%。该模型是一个基于分类交叉损失
浏览 144提问于2020-06-24得票数 0
回答已采纳
我有一个非常小的数据集(40个训练示例、10个验证示例、120个类)，对于这些数据集，我在Keras中使用了一个非常简单的模型(仅限于批规范、扁平和密集层)，获得了非常高的精度。我的训练准确率为94-95%，验证准确率为76-78%.我知道这太合适了，我试过几样东西。数据不是图像，所以我不能增加数据。我也不能添加数据，因为它是一个特定的类型。我的问题是:是否有过这样的情况:验证的准确性不能像训练的准
浏览 0提问于2017-06-05得票数 3
回答已采纳
2回答
然而，使用卷积神经网络也是有意义的，因为某种类型的滤波通常是一种非常有用的EEG方法，很可能考虑的时间应该是局部的，而不是作为一个整体来分析。例如，我是否应该考虑一些其
浏览 0提问于2017-03-21得票数 12
回答已采纳
为了开始学习，我遵循了MNIST教程()。我下载了数据并运行了..我可以找到这样的资源：，告诉我如何准备，训练和计时我的模型。但每次教程/文章涉及到将单个实例放入CNN时，他们都会跳到下一个点，并告诉下载一些新的模型。因此，简而言之:当我使用Caffe训练CNN时，如何输入单个图像并使用已有的文件获得输出？
更新:基于帮助，我让网络识别一张图像，但即使网络的准确率为99.0%，识别也不正确
浏览 0提问于2016-10-10得票数 0
Densechars74k_classifier = Sequential()
chars74k_classifier.add(MaxPooling2D(pool_size = (2, 2)))
chars74k_classifier.add(Dense(activation = '
浏览 3提问于2017-11-04得票数 1
回答已采纳
2回答
我已经使用Keras的LSTM构建了一个模型，该模型可以检测堆栈溢出上的两个问题是否重复。当我运行模型时，我在纪元中看到了类似这样的东西。
浏览 1提问于2018-07-15得票数 20
回答已采纳
我是音频信号处理的新手，更具体地说是说话人验证。我已经训练了一个基于CNN的暹罗网络来做说话人验证。整个过程使用一个数据集进行训练，其中选择了720个人在VAD和成帧后的语音片段对进行训练。到训练结束时，该模型在训练和验证数据集上的准确率分别达到了85%和83%。在同一数据集中有15个陌生人的1000个语音片段对，该模型仍然达到了82%的准确率。
浏览 2提问于2020-05-03得票数 0
1回答
我试图用JAX库和它的小神经网络子模块"Stax“来实现和训练一个神经网络。，并在MNIST上进行了训练，并开始怀疑我所得到的一些结果。因此，我在Keras中实现了相同的设置，并立即得到了完全不同的结果！同样的模型，在相同的数据上以相同的方式训练，在Keras中得到90%的训练准确率，而在JAX中则是大约50%。JAX的训练准确率为80%，而Keras的
浏览 13提问于2021-06-28得票数 2
我最近开始在一个项目中利用Keras的flow_from_dataframe()特性，并决定用MNIST数据集来测试它。我有一个目录，里面装满了png格式的MNIST示例，还有一个dataframe，每个示例的绝对目录在一列中，标签在另一列中。当我启动我的环境时，它调用来自Git的最新版本的keras_preprocessing，它支持绝对目录和大写文件扩展名。
我的问题是我的训练准确率非常高，而验证准确率<
浏览 3提问于2018-12-06得票数 1
我想训练一个CNN，但我想使用所有的数据来训练网络，从而不执行验证。这是个不错的选择吗？如果仅仅以训练损失作为早期停止CNN的标准，我是否有可能过度适应我的CNN？换句话说，在下面的选项中，KERAS (例如)中用于早期停止的最佳“监视器”参数是什么？early_stopper=EarlyStopping(monitor='val_acc', min_delta=0.0001, patience=20)
在堆栈溢
浏览 6提问于2017-11-14得票数 3
回答已采纳
1回答
我有一个基于ResNet的深度CNN和一个数据集(10000，50,50,1)来对数字进行分类。当我运行它开始精简，准确性只是停留在一些值，并轻轻地(约0.2)。outputs=X)
更新1 :这里是拟合和编译方法： loss=tensorflow.keras.losses.SparseCategoricalCrossentropyfrom_logits=True),
me
浏览 0提问于2020-03-09得票数 2
回答已采纳
1回答
我使用Tensorflow和Keras使用内置的tf.keras.datasets.mnist数据集对模型进行了培训。该模型可以很好地处理来自mnist数据集本身的测试映像，但我想为它提供自己的映像。我已经在公共谷歌驱动器文件夹中提供了一些图片示例。当我输入这些图像时，我注意到模型不是很精确，我对原因有一些猜测。
我想
浏览 0提问于2019-07-12得票数 1
回答已采纳
2回答
我在MNIST数据集上训练CNN，训练和验证准确率约为0.99。我遵循了中给出的示例中的确切步骤import numpy as npimport math
import keras
from keras.datasets impor
浏览 0提问于2019-04-22得票数 0
我对神经网络很陌生，但我对线性代数和卷积的数学有很好的理解。 input_shape=input_shape))
这似乎是将总共32个3x3过滤器应用于CNN<
浏览 0提问于2017-01-23得票数 35
回答已采纳
我正在使用CNN在Keras中执行二进制分类。数据集总共获得了近8k张图像，但它并不平衡-一个类有大约1500个样本，而另一个类有6500个样本。我不会在训练前随机设置种子。几天前，当我运行这个模型时，我得到了99%的准确率。前几天我又运行了一次，准确率达到了99%。为了确定，我又运行了5次，每次它都给我相同的结果。现在，在4天后，当我再次运行它来存储参数和绘图时-我的模型停留在85%的准确率和67%的验证准
浏览 31提问于2020-03-14得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
