在训练深度学习模型时，遇到一个反常现象：尽管模型的损失非常低，但预测精度却显著不足，尤其是在检测视频场景中的异常事件任务上。检查了基于研究论文构建的模型架构，包括多个TimeDistributed层，Convolution2D、MaxPooling2D以及UpSampling2D等操作，但低精度问题依然存在。为了解决这个问题，需要进一步分析可能的原因，如过拟合、数据预处理、模型复杂性等，并采取相应措施优化模型性能。
我正在训练深度学习模型,但获得的准确性非常低,但损失也很低,这与二者成反比.这种低精度的原因是什么,我该如何制止它？
该模型应检测视频场景中的异常事件
我用来建立模型的研究论文的链接
模型架构
这是我的代码：
model = Sequential()
model.add(TimeDistributed(Convolution2D(512, 11, 11 ,activation='relu' , border_mode='valid', subsample = (4,4))
, input_shape=(10,231, 231, 1)))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2), strides=None, border_mode='valid')))
model.add(TimeDistributed(Convolution2D(256,5, 5,activation='relu' , border_mode='same')))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2), strides=None, border_mode='valid')))
model.add(TimeDistributed(Convolution2D(128,3,3,activation='relu' , border_mode='same'))),
model.add(TimeDistributed(Conv2DTranspose(128, 3,3,border_mode='same')))
model.add(TimeDistributed(UpSampling2D(size=(2, 2, ))))
model.add(TimeDistributed(Conv2DTranspose(256, 3,3,border_mode='same')))
model.add(TimeDistributed(UpSampling2D(size=(2, 2, ))))
model.add(TimeDistributed(Conv2DTranspose(512,5,5,border_mode='same')))
model.add(TimeDistributed(Conv2DTranspose(1, kernel_size=(11,11),strides=(4,4))))
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
