问题描述
我的 1D CNN 的验证准确度停留在 0.5，这是因为我总是从平衡的数据集中得到相同的预测。与此同时，我的训练准确率不断提高，损失按预期减少。
奇怪的是，如果我在我的训练集上执行 model.evaluate()（在最后一个 epoch 中的准确率接近 1），那么准确率也会是 0.5。这里的准确率怎么和上一个 epoch 的训练准确率相差这么大呢？我还尝试将批量大小设为 1 进行训练和评估，但问题仍然存在。
好吧，我一直在寻找不同的解决方案，但仍然没有运气。我已经研究过的可能问题：
- 我的数据集经过适当的平衡和洗牌；
- 我的标签是正确的；
- 尝试添加全连接层；
- 尝试从全连接层添加/删除 dropout；
- 尝试了相同的架构，但最后一层有 1 个神经元和 sigmoid 激活；
- 尝试更改学习率（降低到 0.0001，但问题仍然存在）。
这是我的代码：
import pathlib
import numpy as np
import ipynb.fs.defs.preprocessDataset as preprocessDataset
import pickle
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras import Input
from tensorflow.keras.layers import Conv1D,Batchnormalization,Activation,MaxPooling1D,Flatten,Dropout,Dense
from tensorflow.keras.optimizers import SGD
main_folder = pathlib.Path.cwd().parent
datasetsFolder=f'{main_folder}\\datasets'
trainDataset = preprocessDataset.loadDataset('DatasetTime_Sg12p5_Ov75_Train',datasetsFolder)
testDataset = preprocessDataset.loadDataset('DatasetTime_Sg12p5_Ov75_Test',datasetsFolder)
X_train,Y_train,Names_train=trainDataset[0],trainDataset[1],trainDataset[2]
X_test,Y_test,Names_test=testDataset[0],testDataset[1],testDataset[2]
model = Sequential()
model.add(Input(shape=X_train.shape[1:]))
model.add(Conv1D(16,61,strides=1,padding="same"))
model.add(Batchnormalization())
model.add(Activation('relu'))
model.add(MaxPooling1D(2,strides=2,padding="valid"))
model.add(Conv1D(32,3,padding="valid"))
model.add(Conv1D(64,padding="same"))
model.add(Batchnormalization())
model.add(Activation('relu'))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(200))
model.add(Activation('relu'))
model.add(Dense(2))
model.add(Activation('softmax'))
opt = SGD(learning_rate=0.01)
model.compile(loss='binary_crossentropy',optimizer=opt,metrics=['accuracy'])
model.summary()
model.fit(X_train,epochs=10,shuffle=False,validation_data=(X_test,Y_test))
model.evaluate(X_train,Y_train)
这是 model.fit()：
model.fit(X_train,Y_test))
Epoch 1/10
914/914 [==============================] - 277s 300ms/step - loss: 0.6405 - accuracy: 0.6543 - val_loss: 7.9835 - val_accuracy: 0.5000
Epoch 2/10
914/914 [==============================] - 270s 295ms/step - loss: 0.3997 - accuracy: 0.8204 - val_loss: 19.8981 - val_accuracy: 0.5000
Epoch 3/10
914/914 [==============================] - 273s 298ms/step - loss: 0.2976 - accuracy: 0.8730 - val_loss: 1.9558 - val_accuracy: 0.5002
Epoch 4/10
914/914 [==============================] - 278s 304ms/step - loss: 0.2897 - accuracy: 0.8776 - val_loss: 20.2678 - val_accuracy: 0.5000
Epoch 5/10
914/914 [==============================] - 277s 303ms/step - loss: 0.2459 - accuracy: 0.8991 - val_loss: 5.4945 - val_accuracy: 0.5000
Epoch 6/10
914/914 [==============================] - 268s 294ms/step - loss: 0.2008 - accuracy: 0.9181 - val_loss: 32.4579 - val_accuracy: 0.5000
Epoch 7/10
914/914 [==============================] - 271s 297ms/step - loss: 0.1695 - accuracy: 0.9317 - val_loss: 14.9538 - val_accuracy: 0.5000
Epoch 8/10
914/914 [==============================] - 276s 302ms/step - loss: 0.1423 - accuracy: 0.9452 - val_loss: 1.4420 - val_accuracy: 0.4988
Epoch 9/10
914/914 [==============================] - 266s 291ms/step - loss: 0.1261 - accuracy: 0.9497 - val_loss: 4.3830 - val_accuracy: 0.5005
Epoch 10/10
914/914 [==============================] - 272s 297ms/step - loss: 0.1142 - accuracy: 0.9548 - val_loss: 1.6054 - val_accuracy: 0.5009
这是model.evaluate()：
model.evaluate(X_train,Y_train)
914/914 [==============================] - 35s 37ms/step - loss: 1.7588 - accuracy: 0.5009
这是model.summary()：
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv1d (Conv1D) (None,4096,16) 992
_________________________________________________________________
batch_normalization (BatchNo (None,16) 64
_________________________________________________________________
activation (Activation) (None,16) 0
_________________________________________________________________
max_pooling1d (MaxPooling1D) (None,2048,16) 0
_________________________________________________________________
conv1d_1 (Conv1D) (None,32) 1568
_________________________________________________________________
batch_normalization_1 (Batch (None,32) 128
_________________________________________________________________
activation_1 (Activation) (None,32) 0
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None,1024,32) 0
_________________________________________________________________
conv1d_2 (Conv1D) (None,64) 6208
_________________________________________________________________
batch_normalization_2 (Batch (None,64) 256
_________________________________________________________________
activation_2 (Activation) (None,64) 0
_________________________________________________________________
max_pooling1d_2 (MaxPooling1 (None,512,64) 0
_________________________________________________________________
conv1d_3 (Conv1D) (None,64) 12352
_________________________________________________________________
batch_normalization_3 (Batch (None,64) 256
_________________________________________________________________
activation_3 (Activation) (None,64) 0
_________________________________________________________________
max_pooling1d_3 (MaxPooling1 (None,256,64) 0
_________________________________________________________________
conv1d_4 (Conv1D) (None,64) 12352
_________________________________________________________________
batch_normalization_4 (Batch (None,64) 256
_________________________________________________________________
activation_4 (Activation) (None,64) 0
_________________________________________________________________
flatten (Flatten) (None,16384) 0
_________________________________________________________________
dropout (Dropout) (None,16384) 0
_________________________________________________________________
dense (Dense) (None,200) 3277000
_________________________________________________________________
activation_5 (Activation) (None,200) 0
_________________________________________________________________
dense_1 (Dense) (None,2) 402
_________________________________________________________________
activation_6 (Activation) (None,2) 0
=================================================================
Total params: 3,311,834
Trainable params: 3,354
Non-trainable params: 480
_________________________________________________________________
解决方法
... 也尝试过 sigmoid 但问题仍然存在...
您不想为明确定义的问题陈述“尝试”激活函数或损失函数。您似乎正在混淆单标签多类和多标签多类架构。
您的输出是具有 softmax 激活的 2 类多类输出，这很棒，但是您使用 binary_crossentropy 仅在用于多标签问题的多类设置中时才有意义.
您可能想改用 categorical_crossentropy。此外，如果班级不平衡，我会建议 focal loss，但您的班级比例似乎为 50,50，因此没有必要。
记住，accuracy 是根据使用的损失决定的！检查不同的类here。当您使用 binary_crossentropy 时，使用的准确度为 binaryaccuracy，而使用 categorical_crossentropy 时，它使用 categoricalaccuracy
查看此图表以了解在何种类型的问题陈述中使用什么的详细信息。
除此之外，您的网络在 flatten() 和 Dense() 处存在瓶颈。相对于其他层，可训练参数的数量相当多。我建议使用另一个 CNN 层使过滤器的数量达到 128 个，而序列的大小甚至更小。并减少该 Dense 层的神经元数量。
所有可训练参数的 98.9% (3,277,000/3,311,354) 位于 Flatten 和 Dense 层之间！不是一个很好的架构选择！
除上述几点外，模型结果完全取决于您的数据本身。如果不了解数据，我将无法提供更多帮助。
,我的问题的解决方案是实现批量重整化：BatchNormalization(renorm=True)。此外，对输入进行归一化有助于大大提高神经网络的整体性能。