問題描述：

在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類和識別的時(shí)候，使用了keras這個(gè)封裝層次比較高的框架，backend使用的是tensorflow-cpu。

在交叉驗(yàn)證的時(shí)候，出現(xiàn) val_categorical_accuracy: 0.0000e+00的問題。

問題分析：

首先，弄清楚，訓(xùn)練集、驗(yàn)證集、測試集的區(qū)別，驗(yàn)證集是從訓(xùn)練集中提前拿出一部分的數(shù)據(jù)集。在keras中，一般都是使用這種方式來指定驗(yàn)證集占訓(xùn)練集和的總大小。

validation_split=0.2

比如，經(jīng)典的數(shù)據(jù)集MNIST，共有60000個(gè)訓(xùn)練集，就會

Train on 48000 samples, validate on 12000 samples

我自己學(xué)習(xí)使用的數(shù)據(jù)集比較小

訓(xùn)練數(shù)據(jù)集樣本數(shù)： 498 ,標(biāo)簽個(gè)數(shù) 498

Train on 398 samples, validate on 100 samples

基本上符合4：1（0.2）的分配

出現(xiàn) val_categorical_accuracy: 0.0000e+00的問題，我這邊的原因主要是，樣本本身是有規(guī)律的，導(dǎo)致分配的驗(yàn)證集的標(biāo)簽可能在訓(xùn)練集中可能就沒有。

（PS：我實(shí)際看了下，498個(gè)樣本共10個(gè)標(biāo)簽，后100個(gè)驗(yàn)證集占據(jù)了基本上后面3個(gè)標(biāo)簽（實(shí)際上，這三個(gè)標(biāo)簽占了103個(gè)樣本），也就是前面的訓(xùn)練集基本上就沒有后面的標(biāo)簽，整體占據(jù)前面7個(gè)標(biāo)簽）

問題解決：

把最初始的訓(xùn)練集打亂，當(dāng)然，標(biāo)簽也要跟著移動。

index = [i for i in range(len(x_train))]
np.random.shuffle(index)
x_train = x_train[index]
y_train = y_train[index]
 
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_split=0.2, verbose=1)

同樣的問題表現(xiàn)，可能有不同的原因，解決方法也不盡相同，這里只是和大家分享我自己的問題解決過程。

補(bǔ)充知識：keras中自定義驗(yàn)證集的性能評估

如下所示：

def AUC(y_true,y_pred):
not_y_pred=np.logical_not(y_pred)
y_int1=y_true*y_pred
y_int0=np.logical_not(y_true)*not_y_pred
TP=np.sum(y_pred*y_int1)
FP=np.sum(y_pred)-TP
TN=np.sum(not_y_pred*y_int0)
FN=np.sum(not_y_pred)-TN
TPR=np.float(TP)/(TP+FN)
FPR=np.float(FP)/(FP+TN)
return((1+TPR-FPR)/2)

以上這篇解決keras,val_categorical_accuracy:,0.0000e+00問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論