所以我在 tensorflow 中创建了一个卷积网络，但准确率根本不会改变。我试图让它分辨三角形和圆形之间的区别。它们颜色不同，尺寸相似。这是网络的代码。此外，当我尝试使用完全连接的网络时，准确度几乎为 1。
x = tf.placeholder("float", shape=[None, 3072])
y_ = tf.placeholder("float", shape=[None, 2])
W = tf.Variable(tf.zeros([3072, 2]))
b = tf.Variable(tf.zeros([2]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
W_conv1 = weight_variable([4, 4, 3, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,32,32,3])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([4, 4, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_fc1 = weight_variable([8 * 8 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 8*8*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv + 1e-9))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
self.feedin = np.reshape(self.inlist, (-1, 1, 32, 32, 3))
print(self.feedin)
sess.run(tf.initialize_all_variables())
for i in range(10000):
j = i%int(self.ent)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:self.inlist, y_: self.outListm, keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: self.feedin[j], y_: self.outListm[j], keep_prob: 0.5})
这是其中的两张图片。
这就是我用来创建 self.in 的。我已对其进行更改，以便图像的形状保持不变，但问题仍然存在。
name = QtGui.QFileDialog.getOpenFileNames(self, 'Open File')
fname = [str(each) for each in name]
flist = []
dlist = []
self.inlist = [11, 32, 32, 3]
for n, val in enumerate(name):
flist.append(val)
img = Image.open(flist[n])
img.load()
data = np.asarray(img, dtype = "float32")
dlist.append(data)
self.inlist = np.concatenate([arr[np.newaxis] for arr in dlist])
对于 self out，我有一个包含 2 个元素的列表，如果它是三角形，则第一个元素为 2，如果它是圆形，则第二个元素为 2。
请您参考如下方法:
您不能将所有参数都初始化为零(或任何常数)，这几乎是几乎所有类型的神经网络的常识。
让我们想象一个最简单的前馈网络，所有权重矩阵都初始化为相同的常数(包括但不只是零)，会发生什么？无论您的输入向量是什么，同一层中所有神经元的激活(输出)都是相同的!这绝对不是你想要的。在您的情况下，您将它们全部初始化为零，这使情况变得更糟。因为除了上述缺点之外，ReLU 在零点甚至不可推导。
因此，对您而言，最佳做法是将权重矩阵 (W) 初始化为随机值，以“打破对称性”。您可以通过 random.randn() 来完成它，但是为了获得更好的性能，有很多技巧可以做到这一点，例如 Xavier 初始化、MSRA 初始化等。对于您的情况下的 ReLU 激活函数，一个可能会指导您在所有这些初始化策略中进行选择的是，您最好将权重矩阵初始化为略微正的，以防 ReLU 函数的输入为负，这可能会使 ReLU 单元变为“死”单元(梯度永远为零) .
