提高CNN模型的准确性(停留在非常低的准确性)

Question

以下是我的代码：用于CNN对图像识别的训练

python

# definiton of code
def make_model():

model = Sequential()
model.add(Conv2D(16, (3,3),input_shape = (32,32,3), padding = "same", 
kernel_initializer="glorot_uniform"))
model.add(LeakyReLU(alpha=0.1))
model.add(Conv2D(32, (3,3),input_shape = (32,32,3), padding = "same", 
kernel_initializer="glorot_uniform"))
model.add(LeakyReLU(alpha=0.1))
model.add(MaxPooling2D(pool_size = (2,2),padding = "same"))
model.add(Dropout(0.25))*

model.add(Conv2D(32,(3,3), input_shape = (32,32,3), padding = "same"))

model.add(LeakyReLU(alpha=0.1))
model.add(Conv2D(64, (3,3),input_shape = (32,32,3), padding = "same"))
model.add(LeakyReLU(alpha=0.1))
model.add(MaxPooling2D(pool_size = (2,2),padding = "same"))
model.add(Dropout(0.25))
*layer*
model.add(Flatten())
model.add(Dense(256))
*for activation*
model.add(LeakyReLU(alpha=0.1))
model.add(Dropout(0.5))

model.add(Dense(10))
*for activation*
model.add(LeakyReLU(alpha=0.1))
model.add(Activation("softmax"))

然后它坚持了下来，结果让我大吃一惊：

loss: 7.4918; acc: 0.1226. 

我一直在尝试更多的方法，但我不知道我应该为正确的道路做什么。

Answer 1

如果没有问题的详细信息，很难进行更多的调查。

但我鼓励你更多地研究：

• BatchNormalization
• 损失函数
• 学习率
• 优化器
• 隐藏层

Answer 2

当前的技术状态是将卷积与批处理规范化和ReLU激活一起应用。订单应如下：

1. 卷积
2. 批量规范化
3. ReLU(也可能是泄漏ReLU或任何其他激活(

所以你应该在卷积后添加BN，然后你也应该删除DropOut。许多研究人员已经研究过，如果使用BN，则不需要Dropout，并且BN实际上表现更好。

除此之外，你可能应该考虑学习率、过滤器数量等参数。

还要确保您使用了正确的损失和与您的损失相对应的输出激活。