活动地址:CSDN21天学习挑战赛
学习:深度学习100例-卷积神经网络(CNN)识别眼睛状态 | 第17天_K同学啊的博客-CSDN博客
详情:keras—VGG16_小麦粒的博客-CSDN博客_keras vgg16
VGG中根据卷积核大小和卷积层数目的不同,可分为A,A-LRN,B,C,D,E共6个配置(ConvNet Configuration),其中以D,E两种配置较为常用,分别称为VGG16和VGG19。
A:是最基本的模型,8个卷基层,3个全连接层,一共11层。
A-LRN:忽略
B:在A的基础上,在stage1和stage2基础上分别增加了1层3X3卷积层,一共13层。
C:在B的基础上,在stage3,stage4和stage5基础上分别增加了一层1X1的卷积层,一共16层。
D:在B的基础上,在stage3,stage4和stage5基础上分别增加了一层3X3的卷积层,一共16层。
E:在D的基础上,在stage3,stage4和stage5基础上分别增加了一层3X3的卷积层,一共19层。
模型D是就是经常说的VGG16网络,模型E则为VGG19网络,下图给出了VGG的六种结构配置:
sparse_categorical_crossentropy为多分类交叉损失函数,关键在于sparse(稀疏),要求目标为数字编码,然后在函数内容进行 one-hot 编码
[机器学习笔记] 混淆矩阵(Confusion Matrix)_梅森上校的博客-CSDN博客_混淆矩阵公式
混淆矩阵(Confusion Matrix),又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具,特别用于监督学习,在无监督学习一般叫做匹配矩阵。在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵的结构一般如下图表示的方法。
混淆矩阵要表达的含义:
混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;
每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目;每一列中的数值表示真实数据被预测为该类的数目。
True Positive(TP):真正类。样本的真实类别是正类,并且模型识别的结果也是正类。
False Negative(FN):假负类。样本的真实类别是正类,但是模型将其识别为负类。
False Positive(FP):假正类。样本的真实类别是负类,但是模型将其识别为正类。
True Negative(TN):真负类。样本的真实类别是负类,并且模型将其识别为负类。
从混淆矩阵当中,可以得到更高级的分类指标:Accuracy(精确率),Precision(正确率或者准确率),Recall(召回率),Specificity(特异性),Sensitivity(灵敏度)。
Accuracy = (TP+TN)/(TP+FN+FP+TN)
Precision = TP/(TP+FP)
Recall = TP/(TP+FN)
Recall(召回率) = Sensitivity(敏感指标,True Positive Rate,TPR)= 查全率
Specificity = 1 - FPR