正确建立Keras模型

Question

我对神经网络和Keras还不熟悉，我想建立一个CNN来预测图像的某些值。（这三个值预测图像顶部模糊的大小、长度和宽度）。所有3个值的范围都在0到1之间，我有一个很大的数据集。你知道吗

不过，我不确定如何构建CNN来实现这一点，因为到目前为止，我构建的所有原型代码都给出了格式[1.,0.,0.]的预测，而不是每个值的范围在0到1之间。除此之外，尽管在SGD优化器中更改了epoch的数量和衰减值，但我的损失函数没有任何变化。你能告诉我哪里出了问题吗？到目前为止，我掌握的情况如下：

images, labels = load_dataset("images")   # function that loads images
images = np.asarray(images) # images are flattened 424*424 arrays (grayscale)
labels = np.asarray(labels) # Lables are 3-arrays, each value is float from 0-1

# I won't write this part but here I split into train_imgs and test_imgs

model = keras.Sequential()
# explicitly define SGD so that I can change the decay rate
sgd = keras.optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.add(keras.layers.Dense(32, input_shape=(424*424,) ))
model.add(keras.layers.Activation('relu'))
model.add(keras.layers.Dense(3, activation='softmax'))

model.compile(loss='mean_squared_error',optimizer=sgd)
# note: I also tried defining a weighted binary crossentropy but it changed nothing

checkpoint_name = 'Weights-{epoch:03d}--{val_loss:.5f}.hdf5' 
checkpoint = ModelCheckpoint(checkpoint_name, monitor='val_loss', verbose = 0, save_best_only = True, mode ='auto')
callbacks_list = [checkpoint]

model.fit(train_imgs, train_labls, epochs=20, batch_size=32, validation_split = 0.2, callbacks=callbacks_list)

predictions = model.predict(test_imgs) # make predictions on same test set!

现在我知道，我正在离开辍学层，但我希望CNN过度拟合我的数据，在这一点上，我只希望它做任何事情。当我对同一组图像进行预测时，我希望得到准确的结果，不是吗？我不太确定我错过了什么。谢谢你的帮助！你知道吗

Answer 1

首先，用'sigmoid'替换'softmax'。你知道吗

Sigmoid将使三个输出的范围从0到1。还要注意，softmax是为分类而设计的。它只尝试最大化三个值中的一个，而三个值的和总是一个。你知道吗

第二，如果你的损失完全冻结，问题可能在'relu'（relu有一个恒定的零区域，没有梯度）。您可以将'relu替换为另一个对象，例如'sigmoid'或'tanh'，也可以在relu之前添加BatchNormalization()层。你知道吗

作为一个乞丐的选择，我总是喜欢使用optimizer='adam'，这是非常快的方式往往比新加坡元，你不需要太在意学习率（当然先进的模式和最好的结果可能需要调整）。你知道吗