Question

我正在构建一个但是，当我使用lenet example上提供的批量大于110的自定义列车功能时，我的准确度大于1（100％）。

如果我使用批量大小32，我得到30％的准确度。批量大小等于64我的净精度为64.批量大小等于128，精度为1.2。

我的图片是32x32。训练数据集：56张中性面部图像。 60张惊喜面孔的图像。测试数据集：15张中性面图像。令人惊讶的15张图像。

这是我的代码：

def train(solver):

niter = 200
test_interval = 25 

train_loss = zeros(niter)
test_acc = zeros(int(np.ceil(niter / test_interval)))
output = zeros((niter, 32, 2))

for it in range(niter):
    solver.step(1)
    train_loss[it] = solver.net.blobs['loss'].data
    solver.test_nets[0].forward(start='conv1')
    output[it] = solver.test_nets[0].blobs['ip2'].data[:32]
    if it % test_interval == 0:
        print 'Iteration', it, 'testing...'

        correct = 0

        for test_it in range(100):
            solver.test_nets[0].forward()
            correct += sum(solver.test_nets[0].blobs['ip2'].data.argmax(1) == solver.test_nets[0].blobs['label'].data)

        test_acc[it // test_interval] = correct / 1e4

那么，我的代码出了什么问题？

Answer 1

在您的测试代码中，您运行100次迭代（python translate.py --self_test 1），在每次迭代中计算for test_it in range(100)，作为批次中正确的示例数量。然后将该数字除以1e4。

让我们假设您的模型非常好并且具有几乎100％的预测率。然后在100次迭代中每次批量大小为32，你将增加32到correct，产生3200.然后你将其除以1e4，最后得到0.32，这几乎与你看到的一致（你的数字略有更少，因为有时你的模型确实错误预测了目标。）

要修复它，您可以替换

correct

与

test_acc[it // test_interval] = correct / 1e4

Caffe精度大于100％

1 个答案: