如何在由Keras构建和培训的神经网络中处理错误的预测

Question

我是神经网络的新手，我在一些互联网博客的帮助下尝试了一个典型的第一个示例：猫或狗的图像分类。在训练下面的神经网络之后，我试图识别一些我在Google上发现的猫/狗的随机图片，这些图片既不在我的训练中，也不是我的testronget中……我发现，有时网络给出了正确的预测(识别狗当展示狗时(，不幸的是，有时是错误的预测，即我显示了一张猫的图片，网络预测了"狗"。我如何处理此类错误？

将所有错误的图片添加到triench_set或testronget中，然后再次进行整个培训过程？还是还有其他选择可以告诉网络它做出了错误的预测并应该调整其权重？

#Part 1 - Import
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
#Part 2 – Build Network
classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
#Part 3 - Training
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory('C:/…/KNNDaten/training_set', target_size = (64, 64), batch_size = 32, class_mode = 'binary')
test_set = test_datagen.flow_from_directory('C:/…/KNNDaten/test_set', target_size = (64, 64), batch_size = 32, class_mode = 'binary')
classifier.fit_generator(training_set, steps_per_epoch = 8000, epochs = 25, validation_data = test_set, validation_steps = 2000)
#Part 4 – Saving Model and weights 
model_json = classifier.to_json()
with open("model1.json", "w") as json_file:
 json_file.write(model_json)
 classifier.save_weights("model1.h5")
# Part 5 - Making new predictions
import numpy as np
from keras.preprocessing import image
test_image = image.load_img('C:/… /KNNDaten/single_prediction/cat_or_dog_1.jpg', target_size = (64, 64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
    prediction = 'dog'
else:
    prediction = 'cat'
print("Image contains: " + prediction);

目前我的培训过程看起来像：我的培训过程的结果：准确性，...

非常感谢您的帮助！

Answer 1

通常的过程是将错误预测的图像添加到训练数据集中，并以随机权重或使用以前使用新图像和旧图像获得的权重再训练网络。

当训练网络时，您不需要随机启动，您可以使用以前的权重，这有时称为转移学习。重要的是，如果您尝试执行此操作以还包括用于训练模型的原始图像，或者至少包括一部分，如果您不想过度贴上模型。

作为使用数据增强技术的Dascienz注释，对于获得更好的概括，例如添加新图像和它们的变化也非常有用：旋转，翻译，对称性和重新缩放。