如何解决准确率值在训练过程中上下波动
在训练网络后,我注意到准确率上升和下降。一开始以为是学习率引起的,结果设置的很小。请检查所附的屏幕截图。 Plot Accuracy Screenshot
我的网络(在 Pytorch 中)如下所示:
class Network(nn.Module):
def __init__(self):
super(Network,self).__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(3,16,kernel_size=3),nn.ReLU(),nn.MaxPool2d(2)
)
self.layer2 = nn.Sequential(
nn.Conv2d(16,32,nn.MaxPool2d(2)
)
self.layer3 = nn.Sequential(
nn.Conv2d(32,64,nn.MaxPool2d(2)
)
self.fc1 = nn.Linear(17*17*64,512)
self.fc2 = nn.Linear(512,1)
self.relu = nn.ReLU()
self.sigmoid = nn.Sigmoid()
def forward(self,x):
out = self.layer1(x)
out = self.layer2(out)
out = self.layer3(out)
out = out.view(out.size(0),-1)
out = self.relu(self.fc1(out))
out = self.fc2(out)
out = torch.sigmoid(out)
return out
我使用 RMSprop 作为优化器和 bceloss 作为标准。 学习率设置为0.001
训练过程如下:
epochs = 15
itr = 1
p_itr = 100
model.train()
total_loss = 0
loss_list = []
acc_list = []
for epoch in range(epochs):
for samples,labels in train_loader:
samples,labels = samples.to(device),labels.to(device)
optimizer.zero_grad()
output = model(samples)
labels = labels.unsqueeze(-1)
labels = labels.float()
loss = criterion(output,labels)
loss.backward()
optimizer.step()
total_loss += loss.item()
scheduler.step()
if itr%p_itr == 0:
pred = torch.argmax(output,dim=1)
correct = pred.eq(labels)
acc = torch.mean(correct.float())
print('[Epoch {}/{}] Iteration {} -> Train Loss: {:.4f},Accuracy: {:.3f}'.format(epoch+1,epochs,itr,total_loss/p_itr,acc))
loss_list.append(total_loss/p_itr)
acc_list.append(acc)
total_loss = 0
itr += 1
我的数据集非常小 - 2000 次训练和 1000 次验证(二元分类 0/1)。我想做 80/20 的拆分,但我被要求保持这样。我在想,对于这么小的数据集来说,架构可能太复杂了。
在训练过程中有什么可能导致这种跳跃的命中吗?
解决方法
您这里的代码有误:pred = torch.argmax(output,dim=1)
此行用于具有交叉熵损失的多类分类。
您的任务是二元分类,因此 pred
值是错误的。更改为:
if itr%p_itr == 0:
pred = torch.round(output)
....
您可以将优化器更改为 Adam
、SGD
或 RMSprop
,以找到合适的优化器来帮助您更快地覆盖模型。
还要更改 forward()
函数:
def forward(self,x):
out = self.layer1(x)
out = self.layer2(out)
out = self.layer3(out)
out = out.view(out.size(0),-1)
out = self.relu(self.fc1(out))
out = self.fc2(out)
return self.sigmoid(out) #use your forward is ok,but this cleaner
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。