我正在按照一个关于TensorFlow图像分类的教程进行学习。
我的使用案例与教程略有不同，教程使用的是国际象棋棋子，而我使用的是交通信号灯，并且想要检测它是红色、绿色还是琥珀色。
我发现我的测试结果很差，我想知道这是否与教程中CreateData部分的cv2.IMREAD_GRAYSCALE有关。当然，颜色在我的分类器中很重要，所以我怀疑教程是否将图像转换成了灰度，因此导致我的结果不准确。
因此，我将所有cv2.IMREAD_GRAYSCALE的引用改成了cv2.IMREAD_COLOR，重新运行了CreateData程序，然后尝试运行神经网络创建程序，但随后出现了错误：
File "CreateNeuralNetwork.py", line 54, in <module> history = model.fit(X, y, batch_size=32, epochs=40, validation_split=0.1) File "/Users/stuff/Library/Python/2.7/lib/python/site-packages/tensorflow/python/keras/engine/training.py", line 709, in fit shuffle=shuffle) File "/Users/stuff/Library/Python/2.7/lib/python/site-packages/tensorflow/python/keras/engine/training.py", line 2688, in _standardize_user_data training_utils.check_array_lengths(x, y, sample_weights) File "/Users/stuff/Library/Python/2.7/lib/python/site-packages/tensorflow/python/keras/engine/training_utils.py", line 483, in check_array_lengths 'and ' + str(list(set_y)[0]) + ' target samples.')ValueError: Input arrays should have the same number of samples as target arrays. Found 195 input samples and 65 target samples.我猜测这改变了我的网络的大小/复杂性，因此网络创建中现在有些地方出了问题，有人能帮我找出问题所在吗（我没有更改过我上面链接的博客文章中的任何部分）。
我打赌这部分需要做一些更改：
# normalizing data (a pixel goes from 0 to 255)X = X/255.0# Building the modelmodel = Sequential()# 3 convolutional layersmodel.add(Conv2D(32, (3, 3), input_shape = X.shape[1:]))model.add(Activation("relu"))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Conv2D(64, (3, 3)))model.add(Activation("relu"))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Conv2D(64, (3, 3)))model.add(Activation("relu"))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))考虑到灰度图像的像素值范围是0到255，而彩色像素值会大得多，并且更可能是RGB向量。我不知道该怎么做，或者该更改什么。
我可能完全偏离了轨道，欢迎大家的建议。
此外，在使用以下代码训练模型时：
history = model.fit(X, y, batch_size=32, epochs=40, validation_split=0.1)看起来epochs是指训练模型的次数。将次数从40次增加到400次有什么优势吗？这些其他参数是否重要？我如何知道模型是否已经“过度训练”了？什么是临界点？
回答：
显然，错误显示它将彩色图像的每个通道都视为单独的灰度图像。这就是为什么“发现195个输入样本和65个目标样本”，即多出3倍。因此，你应该查看代码中准备数据的部分。检查第53行
X = np.array(X).reshape(-1, IMG_SIZE, IMG_SIZE, 1)你应该将其更改为
X = np.array(X).reshape(-1, IMG_SIZE, IMG_SIZE, 3)希望这对你有帮助。
关于你的第二个问题“如何知道模型是否已经‘过度训练’了？什么是临界点？”
绘制准确率和损失图表，这将给你关于偏差和方差的想法。对于epochs参数的设置，Keras回调函数会很有用。通过它，你可以监控任何数量，如train_loss, train_acc等，如果这些值不再增加，你可以自动停止进一步拟合模型。
