我已经为 2 类脑电图分类问题训练了一个简单的 CNN（使用 Python + Lasagne），但是，网络似乎没有学习。损失不会随着时间的推移而下降，分类准确度不会因随机猜测而下降（50%）：
问题
- 导致这种情况的代码有什么问题吗？
- 是否有更好（更正确？）的方法来处理 EEG 数据？
脑电图设置
数据是从完成总共 1044 项脑电图试验的参与者那里收集的。每个试验持续 2 秒（512 个时间样本），有 64 个 EEG 数据通道，并标记为 0/1。所有的试验都被改组了，以免在一组参与者上学习并在另一组参与者上进行测试。
目标是在获得原始 EEG 数据的 64x512 矩阵后预测试验的标签
原始输入数据（我不能在这里作为研究项目的一部分显示）具有以下形状 (1044, 1, 64, 512)
然后以 60/20/20% 创建训练/验证/测试拆分
有了这么小的数据集，我会认为过度拟合会是一个问题，但训练损失似乎并没有反映出这一点
代码
网络架构：
def build_cnn(input_var=None):
l_in = InputLayer(shape=(None, 1, 64, 512), input_var=input_var)
l_conv1 = Conv2DLayer(incoming = l_in, num_filters = 32, filter_size = (1, 3),
stride = 1, pad = 'same', W = lasagne.init.Normal(std = 0.02),
nonlinearity = lasagne.nonlinearities.rectify)
l_pool1 = Pool2DLayer(incoming = l_conv1, pool_size = (1, 2), stride = (2, 2))
l_fc = lasagne.layers.DenseLayer(
lasagne.layers.dropout(l_pool1, p=.5),
num_units=256,
nonlinearity=lasagne.nonlinearities.rectify)
l_out = lasagne.layers.DenseLayer(
lasagne.layers.dropout(l_fc, p=.5),
num_units=2,
nonlinearity=lasagne.nonlinearities.softmax)
return l_out
注意：我尝试添加更多的转换/池层，因为我认为网络不够深，无法学习类别，但是 1）这不会改变我上面提到的结果，2）我见过其他 EEG 分类代码，其中一个简单的1个conv层网络可以超越随机机会
创建小批量的助手：
def iterate_minibatches(inputs, targets, batchsize, shuffle=False):
assert len(inputs) == len(targets)
if shuffle:
indices = np.arange(len(inputs))
np.random.shuffle(indices)
for start_idx in range(0, len(inputs) - batchsize + 1, batchsize):
if shuffle:
excerpt = indices[start_idx:start_idx + batchsize]
else:
excerpt = slice(start_idx, start_idx + batchsize)
yield inputs[excerpt], targets[excerpt]
运行模型：
def main(model='cnn', batch_size=500, num_epochs=500):
input_var = T.tensor4('inputs')
target_var = T.ivector('targets')
network = build_cnn(input_var)
prediction = lasagne.layers.get_output(network)
loss = lasagne.objectives.categorical_crossentropy(prediction, target_var)
loss = loss.mean()
train_acc = T.mean(T.eq(T.argmax(prediction, axis=1), target_var),
dtype=theano.config.floatX)
params = lasagne.layers.get_all_params(network, trainable=True)
updates = lasagne.updates.nesterov_momentum(loss, params, learning_rate=0.01)
test_prediction = lasagne.layers.get_output(network, deterministic=True)
test_loss = lasagne.objectives.categorical_crossentropy(test_prediction,
target_var)
test_loss = test_loss.mean()
test_acc = T.mean(T.eq(T.argmax(test_prediction, axis=1), target_var),
dtype=theano.config.floatX)
train_fn = theano.function([input_var, target_var], [loss, train_acc], updates=updates)
val_fn = theano.function([input_var, target_var], [test_loss, test_acc])
print("Starting training...")
for epoch in range(num_epochs):
# full pass over the training data:
train_err = 0
train_acc = 0
train_batches = 0
start_time = time.time()
for batch in iterate_minibatches(train_data, train_labels, batch_size, shuffle=True):
inputs, targets = batch
err, acc = train_fn(inputs, targets)
train_err += err
train_acc += acc
train_batches += 1
# full pass over the validation data:
val_err = 0
val_acc = 0
val_batches = 0
for batch in iterate_minibatches(val_data, val_labels, batch_size, shuffle=False):
inputs, targets = batch
err, acc = val_fn(inputs, targets)
val_err += err
val_acc += acc
val_batches += 1
# After training, compute the test predictions/error:
test_err = 0
test_acc = 0
test_batches = 0
for batch in iterate_minibatches(test_data, test_labels, batch_size, shuffle=False):
inputs, targets = batch
err, acc = val_fn(inputs, targets)
test_err += err
test_acc += acc
test_batches += 1
# Run the model
main(batch_size=5, num_epochs=30)