卷积神经网络不会对测试集KERA进行分类
我有一个3-D卷积神经网络[keras， tenorflow]和3D大脑图像，分别是晚期阿尔茨海默氏症患者、早期阿尔茨海默氏症患者和健康人（3个班）。我有324张图像的训练集和74张图像的测试集。当我训练我的CNN时，我的准确率约为65-70%，但对于测试集，我只有30-40%。当我使用测试数据作为验证数据时，然后对于训练集，我的准确率也不超过37%，并且损失一直保持在同一水平。不管我改变了哪些参数，结果都是一样的。我将我准备好的和规范化的数据从. h5文件加载到Python中，输入有形状（无，90, 120, 80, 1)。我不知道哪里可能出错，我检查了很多次代码，一切似乎都是正确的。
我的CNN有4个conv3D层，3个最大池，激活：relu和batch\u规格化，3个密集层和辍学，softmax
我感谢任何帮助或想法。
共有1个答案
如果你的训练数据只有百分之六十五到七十的准确率，那就太差了，这表明你的神经网络没有正常收敛。如果结构足够复杂，您的网络应该能够通过有效地学习对小输入样本的输出进行硬编码，至少能够过度拟合训练数据。听上去，你的结构已经够复杂了。
首先要尝试的是将学习率降低10倍，并关闭验证/提前停止/归一化/正则化以及任何其他防止过度拟合的方法。然后冲洗，重复-更多的迭代，每次都将LR减少10倍-直到您可以过度拟合训练数据，使其接近训练数据的100%。
然后，你可以采取适当的提前停止、辍学、正常化、正规化等措施，以防止过度适应你所知道的学习速度。
如果丢弃LR甚至不会过度匹配LR，无论LR有多小，那么您的NN结构会有一些问题。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Krizhev
-
在“多层感知机的从零开始实现”一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开，得到长度为784的向量，并输入进全连接层中。然而，这种分类方法有一定的局限性。 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像，使用全连接层容易造成模型过大