Question

我正在尝试建立一个模型来识别人类的动作。我的活动是认识一个被捉住的人。我已经有大约260次正确移动的记录，并且为该文件添加了标签“ catch”和“ nothing”来训练我的模型。我还有另一个文件，这个文件也有注释，只是为了测试模型的准确性。

我正在基于此site使用CNN模型。我将窗口大小修改为400（相当于记录的4秒）因此，在训练完模型后，我得到了以下结果（我的模型已保存，并且已经从以前的记录中进行了训练，这就是为什么它在第一个时期提供了良好结果的原因）：

Epoch:  0  Training Loss:  0.5428493594505138  Training Accuracy:  0.99394274

Epoch:  1  Training Loss:  0.5227164919283446  Training Accuracy:  0.99394274

Epoch:  2  Training Loss:  0.5037865922760709  Training Accuracy:  0.99449337

Epoch:  3  Training Loss:  0.4860136515261339  Training Accuracy:  0.99614537

测试准确度：0.5686275

我要训练的代码是：

for epoch in range(training_epochs):
        cost_history = np.empty(shape=[1], dtype=float)
        for b in range(total_batchs):
            offset = (b * batch_size) % (train_y.shape[0] - batch_size)
            batch_x = train_x[offset:(offset + batch_size), :, :, :]
            batch_y = train_y[offset:(offset + batch_size), :]
            _, c = session.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y})
            cost_history = np.append(cost_history, c)
            print("Epoch: ", epoch, " Training Loss: ", np.mean(cost_history), " Training Accuracy: ",                session.run(accuracy, feed_dict={X: train_x, Y: train_y}))
        print("Testing Accuracy:", session.run(accuracy, feed_dict={X: test_input, Y: test_labels}))

在那之后，我想预测一些结果：

prediction = session.run(y_, feed_dict={X: predict_input})

但是结果是：

[[7.6319778e-04 9.9923682e-01]

 [3.3351363e-04 9.9966645e-01]

 [2.5510782e-04 9.9974483e-01]

...

 [2.5133172e-04 9.9974865e-01]

 [2.4705922e-04 9.9975294e-01]

 [3.0652966e-04 9.9969351e-01]

 [1.5634180e-04 9.9984360e-01]]

眼前的问题：

我做错什么了吗？
预测值应该不是[0.80 0.20]之类的较高值吗？
窗口大小适合400？
在预测中，每行对应于数据的窗口大小，对吗？

Answer 1

澄清预测值范围

如我所见，您的值分别为0.007和0.993或该幅值-那么，您的确切含义是更高，因为总和始终为1。因此，如果一个值变高，另一个应该变小-如果我理解您的问题正确无误。

阐明预测对应性

自从您将数据标记为“ catch”和“ nothing”类后，它们就是您的预测所对应的类别。因此，输出（0，1）表示您的网络预测输入为第二类。

澄清窗口大小

要解决这个问题，我首先需要您解释一下，窗口大小是什么意思。您用作输入的记录秒数？如果是这样，我想说的是，如果您可以在此时间范围内识别出“渔获物”，那么您的网络也应该能够做到。除此之外，这对于行搜索是合适的情况。

CNN模型的预测

1 个答案: