Question

我正在尝试在Keras + Tensorflow中对Places-205数据集的选定子集进行传输学习，仅包含27个类别。我正在使用在ImageNet上预先训练过的InceptionV3，DenseNet121和ResNet50，并添加了几个额外的层来适应我的课程。如果模型是ResNet，我添加Flatten + Dense进行分类，如果是DenseNet或Inceptionv3，我添加Global Avg Pool + Dense（relu）+ Dense（分类）。这是代码段：

x = base_model.output
if FLAGS.model in 'resnet50':
    x = Flatten(name="flatten")(x)
else:
    x = GlobalAveragePooling2D()(x)
    # Let's add a fully-connected layer
    x = Dense(1024, activation = 'relu')(x)
# And a logistic layer
predictions = Dense(classes, activation = 'softmax')(x)

对于DenseNet和Inceptionv3，培训是可以的，验证准确率达到70％，但对于ResNet，验证准确度保持固定在0.0369 / 0.037（这是我的课程数量的1/27）。它似乎总是预测一个类，但它很奇怪，因为它的训练进展顺利，非特定的模型代码与DenseNet和InceptionV3完全相同，它们按预期工作。

你知道为什么会这样吗？

非常感谢！

Answer 1

与您@Ciprian Andrei Focsaneanu一样，我遇到了类似的问题，而我发现已经奏效的是使之前的层（在完全连接的层之前）是可训练的，因为ResNet50的过滤器/功能不适合我的应用程序。

奇怪的是，我还训练了VGG16模型，该模型最初是在相同的图像（imagenet）上使用的，但是它的过滤器对我的应用程序有效，但是我偏离了题名。

以下是启发我执行此操作的页面的链接：https://datascience.stackexchange.com/questions/16840/multi-class-neural-net-always-predicting-1-class-after-optimization

希望这会有所帮助！

ResNet总是预测一个类

1 个答案: