Question

我正在研究皮肤癌识别模型。我正在尝试使用keras和tensorflow训练我的模型，但是我注意到val_accuracy并没有改变，它的精度和损耗以及val_loss都在变化，它停留在54％。我对ResNet50层使用了预先训练的权重，然后添加了其他层并冻结了第一层以训练其余部分。这是我的模型：

console.log(
  Math.round(90071992547409.93 * 100) === 9007199254740993,
);

这是培训的日志：

model = keras.Sequential()
model.add(ResNet50(include_top=False,input_tensor=None, input_shape=(224,224,3)
,pooling='avg',classes=2,weights=resnet_weights_path))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))
model.add(BatchNormalization())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(BatchNormalization())
model.add(Dense(1, activation='sigmoid'))
model.layers[0].trainable = False
model.summary()
model.compile(optimizer=SGD(lr=0.001),loss='binary_crossentropy',metrics=['accuracy'])
red_lr= ReduceLROnPlateau(monitor='val_accuracy',patience=3,verbose=1,factor=0.7)
batch_size=64
epochs=150
History = model.fit_generator(datagen.flow(x_train,y_train,batch_size=batch_size),validation_data=(x_val,y_val),
                          epochs= epochs, steps_per_epoch=x_train.shape[0]//batch_size,verbose=1,callbacks=[red_lr]
                         )

以此类推因此，如果您能看到我的模型出了什么问题，请帮忙！谢谢！

Answer 1

发生这种情况的原因是您没有：

解冻某些图层以使其易于训练，从而使您能够进一步适应新问题。
自从应用转移学习以来，降低学习率，以免“破坏”以前学过的所有东西。

将这两个结合在一起可以解决您的问题。同时，您可能要删除BatchNormalization，如下面的注释中所建议。

Answer 2

您的Val损失正在变化，但不足以导致将预测转换为的硬类发生变化
这是过度拟合的典型情况。您的数据集的大小是多少？您在resnet上使用了非常重的层。另外，请确保resnet处于冻结状态，并且其权重（既可训练又可更新，例如批处理规范层的移动方式和标准）都没有变化。

训练模型时Val_accuracy不变

2 个答案: