如何检查模型是否正常工作？？我的模型显示100%的测试准确率

Question

enter image description here我试图对两组数据（图像，但采用numpy数组格式）进行分类：目标和非目标。它们都相似，除了目标数据中包含小目标。分类时，我得到98%的准确率。当我做数据扩充时，目标数据只有361，这就是为什么，我移动了一些第一列和最后一列，而没有改变目标区域，准确率现在是100%。我不知道如何知道这个模型是否运行良好。你知道吗

我用的是有线电视新闻网，然后是最大池。转换3*3-32、-64、-32、-128、64和fc1，输出为2个单位。你知道吗

代码

#loading the data
mat_trdata = io.loadmat('Target_Reduced.mat')
target = mat_trdata.get('TargetPNCC_Reduced')
#and so on to Non_Target

# Target
y = []
x_data=[]
y_data = []
y1=[]
new=[]
new1=[]

Tn = np.zeros(shape=(361, 39 * 200), dtype=np.float)
for i in range(361):
    bufferr = target[:, :, i]
    Tn[i, :] = np.reshape(bufferr, 39 * 200)
    IM = np.reshape(bufferr, (39, 200))
    new.append(IM)
    y.append([1,0])
    #Shifting the columns
    x1=IM
    x1[:, 0:55], x1[:, -55:] = x1[:, -55:].copy(), x1[:, 0:55].copy()
    new1.append(x1)
    y1.append([1,0])
    #and so upto new5 and append y5[1,0]

x_data=new+new1+new2+new3+new4+new5
y_data=y+y1+y2+y3+y4+y5

# Non Target
ntn = np.zeros(shape=(3315, 39 * 200), dtype=np.float)
for i in range(3315):
    buffer = nontarget[:, :, i]
    ntn[i, :] = np.reshape(buffer, 39 * 200)
    lm = np.reshape(buffer, (39, 200))
    x_data.append(lm)
    #append y[0,1]
    y_data.append([0,1])
  Batch_size: 64
Optimizer:Adam
training_iters = 200
learning_rate = 0.001

X_train, X_test, Y_train, Y_test = 
model_selection.train_test_split(x_data, y_data, 
train_size=0.50,test_size=0.50, random_state=101)

X_train = X_train.reshape(-1, 39, 200, 1)
X_test = X_test.reshape(-1,39,200,1)
def conv2d(x, W, b, strides=1):
    x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], 
    padding='SAME')
    x = tf.nn.bias_add(x, b)
    return tf.nn.relu(x) 

def maxpool2d(x, k=2):
    return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 
    1],padding='SAME')

weights = {..} #32,64,32,128,64 layers

biases = {..}
def conv_net(x, weights, biases):  
    conv1 = conv2d(x, weights['wc1'], biases['bc1'])
    conv1 = maxpool2d(conv1, k=2)
    #And so on upto conv5
    # Fully connected layer
    return out
#optimizer, prediction.. and etc
init = tf.global_variables_initializer(),

with tf.Session() as sess:
   ...

Answer 1

您可以使用用于深层模型（如显著性映射（https://www.analyticsindiamag.com/what-are-saliency-maps-in-deep-learning/））的解释技术来了解您的模型在做什么。请记住，虽然这样的地图是相当嘈杂，并不完全超级可靠，但他们总比没有好。你知道吗

这些映射背后的主要思想是查看模型相对于输入的梯度。如果某个像素的梯度值很大，那么小的变化将对输出产生很大的影响。您希望看到的数据是图像中间那些小目标区域上的大梯度。你知道吗