在编译和训练我的自定义模型后，我保存了它并得到了两个文件，例如.bin和.json文件。之后，我在另一个页面加载了该自定义模型，在该页面上，我输入了用于训练该模型的图像，并根据加载的自定义模型对这些图像进行预测。
虽然对一些图像的预测效果很好，但对其他图像的预测结果却错误。
这是我的代码：
$("#predict-button").click(async function(){ let image= $('#selected-image').get(0); let image1 = $('#selected-image1').get(0); console.log('image:::',image); console.log('image1:::',image1); let tensorarr = []; let tensor1 = preprocessImage(image,$("#model-selector").val()); tensorarr.push(tensor1); let tensor2 = preprocessImage(image1,$("#model-selector").val()); tensorarr.push(tensor2); let resize_image = []; let resize; for(var i=0; i<tensorarr.length; i++) { resize = tf.reshape(tensorarr[i], [1, 224, 224, 3],'resize'); console.log('resize:::',resize); resize_image.push(resize); } // Labels const label = ['Shelf','Rack']; const setLabel = Array.from(new Set(label)); let ysarr =[]; const ys = tf.oneHot(tf.tensor1d(label.map((a) => setLabel.findIndex(e => e === a)), 'int32'), 10) console.log('ys:::'+ys); const y = tf.reshape(ys, [-1]); y.print(); const d = y.slice([0], [10]); d.print(); ysarr.push(d); const e = y.slice([10], [10]); e.print(); ysarr.push(e); console.log('ysarr',ysarr); model.add(tf.layers.conv2d({ inputShape: [224, 224 , 3], kernelSize: 5, filters: 8, strides: 1, activation: 'relu', kernelInitializer: 'VarianceScaling' })); model.add(tf.layers.maxPooling2d({poolSize: 2, strides: 2})); model.add(tf.layers.maxPooling2d({poolSize: 2, strides: 2})); model.add(tf.layers.flatten({})); model.add(tf.layers.dense({units: 64, activation: 'relu'})); model.add(tf.layers.dense({units: 10, activation: 'softmax'})); model.compile({ loss: 'meanSquaredError', optimizer : 'sgd' }) console.log('model:::'+model); // Train the model using the data. let tesnor_dim =[]; let tensr; for(var j=0; j<2; j++){ console.log('resize_image',resize_image); tensr = tf.expandDims(ysarr[j], 0); tesnor_dim.push(tensr); console.log('tesnor_dim',tesnor_dim); console.log('before resize_image[j]',resize_image[j]); console.log('before tesnor_dim[j]',tesnor_dim[j]); await model.fit(resize_image[j], tesnor_dim[j], {epochs: 100}).then((loss) => { console.log('resize_image.get[j]',resize_image[j]); console.log('tesnor_dim[j]',tesnor_dim[j]); console.log('loss',loss); const t = model.predict(resize_image[j]); console.log('Prediction:::'+t); pred = t.argMax(1).dataSync(); // get the class of highest probability const labelsPred = Array.from(pred).map(e => setLabel[e]); console.log('labelsPred:::'+labelsPred); }).catch((e) => { console.log(e.message); }) } const saveResults = model.save('downloads://my-model-1'); console.log(saveResults); });回答：
模型给出了错误的预测。该怎么办？
-
检查模型的准确性。模型的准确性非常低，表明该模型要么不适合解决这个问题，要么需要更改一些参数。
-
即使准确性很好，模型在预测特定类别时也可能出错。在这种情况下，混淆矩阵将有助于识别被错误预测的类别。一旦这些类别被识别出来，就可以使用更多这些类别的训练数据来提高训练后的准确性。
从问题的模型来看，很明显这是一个分类模型，即给定一张图像，模型将预测该图像所属的类别。
'meanSquaredError' 损失函数并不是分类问题的理想选择。categoricalCrossEntropy 能够获得最佳准确性。即使更改了损失函数，准确性可能仍然达不到预期。此时需要添加更多层，改变模型的其他参数。然后进行训练并比较准确性，这个过程会持续进行…
