來準備用vgg來做些fine-tuning快速交個差，結果半天卡在0.3公升不上去．入行沒多久，不能肯定是方向有問題，找了個pascal voc跑跑分類．
結果發現總是卡在0.2左右，在metric.py裡改了幾行（草根就該用mxnet），把predict_label和ground truth打出來，發現跑著跑著**值就跑到14上去了（g 的拼音輸入法好像分不清yv這音．．．搜狗輸入法好像又蹦了），一翻doc發現對應的是person…1994 ,第二名dog…632．．．（那個忠誠的什麼來著，，，）．
想想大神們肯定早就為小白們準備好方案了，之前建乙個分割網路的時候也遇到了類似的問題不過用些草根方法糊弄過去了，這次準備走走學術路線高階一把，網上逛了一圈好像也沒什麼意外的收穫（看到一些大神說9:1也不算不平衡的云云，我就在想是不是顯示卡太渣導致batch size太小了，還是其中另有玄機．．．恕小人愚鈍了），想了一下還是老老實實去平衡迭代器的樣本吧．
吃完晚飯回來看看，似乎能夠work了．
貼一行輸出，殺個尾．
[2017-03-20 18:29:14,990] info - epoch[5] batch [2000] speed: 5.40 samples/sec train-accuracy=0.696000
[2017-03-20 18:29:16,842] info - not equal, argmax_channel: [ 16. 8. 4. 15. 12. 18. 9. 13. 0. 5.]groundtruth: [ 16. 19. 10. 10. 12. 0. 9. 13. 0. 5.]
樣本不平衡問題
樣本不平衡是指 不同類別的樣本差別比較大，比如說正類和負類的樣本比例為50 1。處理樣本不平衡的原因 一般而已，如果類別不平衡比例超過4 1，那麼其分類器會大大地因為資料不平衡性而無法滿足分類要求的。因此在構建分類模型之前，需要對分類不均衡性問題進行處理。在前面，我們使用準確度這個指標來評價分類質量...
機器學習之樣本不平衡
1.樣本不平衡導致什麼問題？在機器學習的分類問題中，以二分類為例，如果訓練集合的正例和負例的樣本不平衡，相差懸殊很大。比如針對這個不平衡的訓練結合運用邏輯回歸的時候，一般來說，邏輯回歸的閾值0 1，常取0.5，當樣本不平衡時，採用預設的分類閾值可能會導致輸出全部為反例，產生虛假的高準確度，導致分類失...
keras中處理樣本不平衡
參考文獻 兩者的區別為 class weight 主要針對的上資料不均衡問題，比如 異常檢測的二項分類問題，異常資料僅佔1 正常資料佔99 此時就要設定不同類對loss的影響。sample weight 主要解決的是樣本質量不同的問題，比如前1000個樣本的可信度，那麼它的權重就要高，後1000個樣...