tensorflow - Lenet5와 유사한 아키텍처를 사용하여 '101 개 오브젝트 범주'데이터를 분류 할 때 예상보다 높은 정확도 확보

Lenet5와 비슷한 모델을 만들고칼텍 101 데이터 세트. 이 기본 모델의 예상 정확도가60 %. 그러나 내 모델의 정확도에 도달하고 있습니다90 + %이 데이터 세트에 Lenet5를 사용할 수 없어야합니다. 다음 코드 스 니펫은 데이터를 읽는 방법과 모델을 정의하는 방법 및 얻은 결과를 보여줍니다.

나는 사용하고있다tf.data Tensorflow 튜토리얼에 표시된대로 이미지를로드합니다.

# Obtain test(10%) and train size(90%)
test_size = round(0.1 * image_count)
train_size = image_count-test_size
# Take first 10% values as test_data
test_data = labeled_ds.take(test_size)
# Skip first 10%, and keep rest 90% data as train_data
train_data = labeled_ds.skip(test_size)
# Define np arrays to store images and labels (to be passed to the model)
train_images = np.empty((train_size,64,64,3), dtype=np.float32)
train_labels = np.empty((train_size,101,), dtype=np.bool_)
test_images = np.empty((test_size,64,64,3), dtype=np.float32)
test_labels = np.empty((test_size,101,), dtype=np.bool_)
# Iterating over train_data to seperate images and labels
for i,data in enumerate(train_data):
    train_images[i] = data[0]
    train_labels[i] = data[1]
# Iterating over test_data to seperate images and labels    
for i,data in enumerate(test_data):
    test_images[i] = data[0]
    test_labels[i] = data[1]
# Convert numpy arrays into tensors
# Perform one-hot encoding for labels (False ->0, True -> 1)
train_images = tf.convert_to_tensor(train_images)
train_labels = tf.convert_to_tensor(train_labels, dtype=tf.int32)
test_images = tf.convert_to_tensor(test_images)
test_labels = tf.convert_to_tensor(test_labels, dtype=tf.int32)

데이터의 형태는 다음과 같습니다.

Train images shape:  (7809, 64, 64, 3)
Test images shape:   (868, 64, 64, 3)
Train labels shape:  (7809, 101)
Test labels shape:   (868, 101)

내가 정의하고있는 Lenet5 모델 :

# Define the Lenet 5 architecture as per the description
model = models.Sequential()
model.add(layers.Conv2D(32, (5, 5), activation='relu', input_shape=(64, 64, 3)))
model.add(layers.MaxPooling2D((4, 4)))
model.add(layers.Conv2D(64, (5, 5), activation='relu'))
model.add(layers.MaxPooling2D((4, 4)))
model.add(layers.Flatten())
model.add(layers.Dense(1024, input_shape=(256,), activation='relu'))
model.add(layers.Dense(84, activation='relu'))
model.add(layers.Dense(101, activation='softmax'))
model.compile(optimizer='adam',loss=tf.keras.losses.CategoricalCrossentropy(), metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=20, validation_data=(test_images, test_labels))

관찰 된 손실 및 정확도 값 :

Train on 7809 samples, validate on 868 samples
Epoch 1/20
7809/7809 [==============================] - 17s 2ms/sample - loss: 3.8387 - accuracy: 0.2018 - val_loss: 3.3969 - val_accuracy: 0.2661
.
.
.
Epoch 19/20
7809/7809 [==============================] - 15s 2ms/sample - loss: 0.1205 - accuracy: 0.9679 - val_loss: 0.5456 - val_accuracy: 0.9136
Epoch 20/20
7809/7809 [==============================] - 15s 2ms/sample - loss: 0.1672 - accuracy: 0.9522 - val_loss: 0.5295 - val_accuracy: 0.9159

테스트 데이터가 열차 데이터에 없는지 확인했습니다.

test_images.numpy() in train_images.numpy()
# Outputs 'False'

모델이 모든 레이블을 False로 분류하지 않도록 혼동 행렬을 플로팅했습니다.

from sklearn.metrics import confusion_matrix
y_pred = model.predict_classes(test_images)
y_label = []
for i in range(len(y_pred)):
    a, = np.where(test_labels[i].numpy()==1)
    y_label.append(a[0])
con_mat = tf.math.confusion_matrix(labels=y_label, predictions=y_pred)
'''
Output: con_mat = 
array([[2, 0, 0, ..., 0, 0, 0],
       [0, 9, 0, ..., 0, 0, 0],
       [0, 0, 4, ..., 0, 0, 0],
       ...,
       [0, 0, 0, ..., 5, 0, 0],
       [0, 0, 0, ..., 0, 3, 0],
       [0, 0, 0, ..., 0, 0, 2]], dtype=int32)
'''

본인은 실수를 저 지르거나 잠재적 결함을 감독하여 높은 정확도로 이어질 수 있음을 이해합니다. 모든 리드를 부탁드립니다. 감사!