Question

我正在尝试使用VGG16网络进行图像分类。我已经尝试了两种不同的方法，据我所知，它应该大致相当，但结果却大相径庭。

方法1：使用VGG16提取功能，并使用自定义完全连接的网络来配合这些功能。这是代码：

model = vgg16.VGG16(include_top=False, weights='imagenet',
                    input_shape=(imsize,imsize,3),
                    pooling='avg')
model_pred = keras.Sequential()
model_pred.add(keras.layers.Dense(1024, input_dim=512, activation='sigmoid'))
model_pred.add(keras.layers.Dropout(0.5))
model_pred.add(keras.layers.Dense(512, activation='sigmoid'))
model_pred.add(keras.layers.Dropout(0.5))
model_pred.add(keras.layers.Dense(num_categories, activation='sigmoid'))
model_pred.compile(loss=keras.losses.categorical_crossentropy,
                   optimizer=keras.optimizers.Adadelta(), metrics=['accuracy'])

(xtr, ytr) = tools.extract_features(model, 3000, imsize, datagen,
                                    rootdir + '/train',
                                    pickle_name = rootdir + '/testpredstrain.pickle')
(xv, yv) = tools.extract_features(model, 300, imsize, datagen,
                                  rootdir + '/valid1',
                                  pickle_name = rootdir + '/testpredsvalid.pickle')

model_pred.fit(xtr, ytr, epochs = 10, validation_data = (xv, yv), verbose=1)

（函数extract_features()只使用Keras ImageDataGenerator生成示例图像，并在对这些图像使用model.predict()后返回输出

方法2：在没有顶部的VGG16网络中，将所有卷积层设置为不可训练，并添加一些可训练的密集连接层。然后使用keras fit_generator()进行拟合。这是代码：

model2 = vgg16.VGG16(include_top=False, weights='imagenet',
                    input_shape=(imsize,imsize,3),
                    pooling='avg')
for ll in model2.layers:
    ll.trainable = False

out1 = keras.layers.Dense(1024, activation='softmax')(model2.layers[-1].output)
out1 = keras.layers.Dropout(0.4)(out1)
out1 = keras.layers.Dense(512, activation='softmax')(out1)
out1 = keras.layers.Dropout(0.4)(out1)
out1 = keras.layers.Dense(num_categories, activation='softmax')(out1)
model2 = keras.Model(inputs = model2.input, outputs = out1)
model2.compile(loss=keras.losses.categorical_crossentropy,
               optimizer=keras.optimizers.Adadelta(),
               metrics=['accuracy'])


model2.fit_generator(train_gen,
                     steps_per_epoch = 100,
                     epochs = 10,
                     validation_data = valid_gen,
                     validation_steps = 10)

两种方法中的时期，样本等的数量并不完全相同，但它们不需要注意不一致性：方法1仅在一个时期之后产生0.47的验证准确度并且变得高达0.7-0.8甚至更好，当我使用更多的样品来适应。然而，方法2在0.1-0.15的验证准确度下陷入困境，无论我训练多少，它都不会变得更好。

此外，方法2比方法1慢得多，即使在我看来它们应该大约一样快（考虑到在方法1中提取特征所花费的时间）。

Answer 1

使用第一种方法，您可以使用vgg16预训练模型一次提取功能，然后训练 - 在第二种方法中微调您的网络，您不断地将图像传递到每一层，包括vgg＆＃39 ; s层在每个时代。这会导致您的模型使用第二种方法运行得更慢。

Keras：以两种不同的方式拟合ConvNets时结果不一致

1 个答案: