Re: [問題] 手寫數字辨識問題

看板DataScience作者jikker (魯蛇王)時間6年前 (2018/03/01 11:11)推噓4(4推 0噓 29→)

留言33則, 6人參與討論串2/2 (看更多)

有大大說想看改變後的辨識度&code 我就貼上來吧其實我的最終目標是辨識 0~99 的手寫數字但是因為樣本數不足所以目前只辨識 0~60 資料分佈如下 0 : 85 1 : 860 2 : 2231 3 : 1521 4 : 1750 5 : 1302 6 : 1511 7 : 1671 8 : 1967 9 : 2426 10 : 3000 11 : 1423 12 : 1474 13 : 1307 14 : 1189 15 : 1243 16 : 1368 17 : 1164 18 : 1129 19 : 847 20 : 790 21 : 889 22 : 694 23 : 667 24 : 693 25 : 528 26 : 369 27 : 306 28 : 222 29 : 179 30 : 194 31 : 146 32 : 192 33 : 151 34 : 101 35 : 139 36 : 100 37 : 120 38 : 83 39 : 79 40 : 107 41 : 71 42 : 76 43 : 64 44 : 66 45 : 79 46 : 101 47 : 66 48 : 59 49 : 52 50 : 75 51 : 72 52 : 91 53 : 60 54 : 90 55 : 93 56 : 48 57 : 50 58 : 64 59 : 70 60 : 54 總訓練筆數為37618筆測試資料為每個數字隨機挑選50筆 *數字56 因為樣本數只有48 所以只有48筆我使用 keras + tensorflow 每張圖片的size是 48*48 為了配合MINST 強制縮小為 28*28 程式碼如下 model = Sequential() model.add(Conv2D(filters=16, kernel_size=(9,9), padding='same', input_shape=(28,28,1), activation='relu')) model.add(MaxPooling2D(pool_size=(5,5))) model.add(Conv2D(filters=32, kernel_size=(5,5), padding='same', activation='relu')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Flatten()) model.add(Dense(256, activation='relu')) model.add(Dropout(0.6)) model.add(Dense(512, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(61 ,activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) train_history = model.fit(x=x_train4d_normalize, y=y_trainonehot, validation_split=0.2, epochs=20, batch_size=300, verbose=1) model.summary() 結果如下 _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d_19 (Conv2D) (None, 28, 28, 16) 1312 _________________________________________________________________ max_pooling2d_19 (MaxPooling (None, 5, 5, 16) 0 _________________________________________________________________ conv2d_20 (Conv2D) (None, 5, 5, 32) 12832 _________________________________________________________________ max_pooling2d_20 (MaxPooling (None, 2, 2, 32) 0 _________________________________________________________________ dropout_25 (Dropout) (None, 2, 2, 32) 0 _________________________________________________________________ flatten_9 (Flatten) (None, 128) 0 _________________________________________________________________ dense_25 (Dense) (None, 256) 33024 _________________________________________________________________ dropout_26 (Dropout) (None, 256) 0 _________________________________________________________________ dense_26 (Dense) (None, 512) 131584 _________________________________________________________________ dropout_27 (Dropout) (None, 512) 0 _________________________________________________________________ dense_27 (Dense) (None, 61) 31293 ================================================================= Total params: 210,045 Trainable params: 210,045 Non-trainable params: 0 打散前訓練狀況大概在15次左右收斂 Epoch 20/20 30094/30094 [==============================] - 29s 972us/step - loss: 0.4049 - acc: 0.8804 - val_loss: 11.8239 - val_acc: 0.1683 準確度評估是 0.84186351706 打散後訓練狀況大概10次左右就收斂 Epoch 20/20 30094/30094 [==============================] - 29s 957us/step - loss: 0.4240 - acc: 0.8767 - val_loss: 0.1844 - val_acc: 0.9490 準確度評估是 0.873031496063 光看數據是差別不大但是實際運用結果未打散前會整批錯例如: 9全部認成7 之類的打散後則是某些圖片會認錯但不致於整批錯了也符合版上大大的說明前幾批的資料對model影響很大 ※ 引述《jikker (魯蛇王)》之銘言： : 哈! : 開版後第一個技術問題就由小魯來提問吧 : 我參考書上MNIST+CNN的範例 : 建立了以下架構 : 卷積層1 28*28 16層 : 池化層1 14*14 16層 : 卷積層2 14*14 36層 : 池化層2 7*7 36層 : 平坦層 1764 神經元 : 隱藏層 128 神經元 : 輸出層 10 神經元 : 完美達成了 99.5% 的辨識率 : 可是當訓練資料換成我自己的資料時 : 辨識率就只有80%左右而且這80% 是因為完全不認得數字8跟9 : 所有數字8跟9的全部認錯所以只有80% : 放大神經元數或卷積、池化層數目也得到類似的結果 : 是因為我的訓練資料不足的關係嗎? : 我看MNIST是各數字都有6000多筆 : 我的資料分佈如下 : 0 : 85 : 1 : 860 : 2 : 2231 : 3 : 1521 : 4 : 1750 : 5 : 1302 : 6 : 1511 : 7 : 1671 : 8 : 1967 : 9 : 2426 : 光看資料感覺比較認不出來的應該是 0 或1 阿 : 另外為了彌補資料量的差異我有改變訓練資料 : 每個數字各取800個出來訓練 (0太少只能完整訓練) : 再把每個數字隨機抽出50個出來驗證 : 9還是每個都認錯... : 請問我的方向該怎麼修正呢? -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 219.87.162.162 ※ 文章網址: https://www.ptt.cc/bbs/deeplearning/M.1519873885.A.955.html

→

jikker

03/01 11:40, 6年前 , 1^F

03/01 11:40, 1^F

→

jikker

03/01 11:41, 6年前 , 2^F

03/01 11:41, 2^F

→

aaaba

03/01 12:03, 6年前 , 3^F

03/01 12:03, 3^F