Question

我的任务是根据缺陷对种子进行分类。我在7个班级中有大约14k图像（它们大小不相等，有些班级的照片更多，有些班级的照片更少）。我尝试从头开始训练Inception V3，我的准确率大约为90％。然后，我尝试使用带有ImageNet权重的预训练模型进行迁移学习。我从inception_v3导入了applications，但没有顶层fc层，然后在文档中添加了自己的内容。我以以下代码结束：

# Setting dimensions
img_width = 454
img_height = 227

###########################
# PART 1 - Creating Model #
###########################

# Creating InceptionV3 model without Fully-Connected layers
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape = (img_height, img_width, 3))

# Adding layers which will be fine-tunned
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(7, activation='softmax')(x)

# Creating final model
model = Model(inputs=base_model.input, outputs=predictions)

# Plotting model
plot_model(model, to_file='inceptionV3.png')

# Freezing Convolutional layers
for layer in base_model.layers:
    layer.trainable = False

# Summarizing layers
print(model.summary())

# Compiling the CNN
model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])

##############################################
# PART 2 - Images Preproccessing and Fitting #
##############################################

# Fitting the CNN to the images

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   rotation_range=30,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True,
                                   preprocessing_function=preprocess_input,)

valid_datagen = ImageDataGenerator(rescale = 1./255,
                                   preprocessing_function=preprocess_input,)

train_generator = train_datagen.flow_from_directory("dataset/training_set",
                                                    target_size=(img_height, img_width),
                                                    batch_size = 4,
                                                    class_mode = "categorical",
                                                    shuffle = True,
                                                    seed = 42)

valid_generator = valid_datagen.flow_from_directory("dataset/validation_set",
                                                    target_size=(img_height, img_width),
                                                    batch_size = 4,
                                                    class_mode = "categorical",
                                                    shuffle = True,
                                                    seed = 42)

STEP_SIZE_TRAIN = train_generator.n//train_generator.batch_size
STEP_SIZE_VALID = valid_generator.n//valid_generator.batch_size

# Save the model according to the conditions  
checkpoint = ModelCheckpoint("inception_v3_1.h5", monitor='val_acc', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
early = EarlyStopping(monitor='val_acc', min_delta=0, patience=10, verbose=1, mode='auto')

#Training the model
history = model.fit_generator(generator=train_generator,
                         steps_per_epoch=STEP_SIZE_TRAIN,
                         validation_data=valid_generator,
                         validation_steps=STEP_SIZE_VALID,
                         epochs=25,
                         callbacks = [checkpoint, early])

但是我得到了可怕的结果：45％的准确性。我认为应该会更好。我有一些假设可能会出问题：

我从头开始在缩放图像（299x299）和非缩放图像上进行了训练，同时又进行了转移学习（227x454），但是它失败了一些（或者我无法通过尺寸标注命令）。
在进行转移学习时，我使用了preprocessing_function=preprocess_input（网络上的文章非常重要，因此我决定添加它）。
在转移学习以进一步增强数据的同时，添加了rotation_range=30，width_shift_range=0.2，height_shift_range=0.2和horizontal_flip = True。
也许亚当优化器不是一个好主意？我应该尝试例如RMSprop吗？
我也应该在学习率较低的情况下用SGD调整一些转换层吗？

还是我没有其他失败？

编辑：我发布了一份训练历史图。也许其中包含有价值的信息：

EDIT2：，其中InceptionV3的参数已更改：

VGG16进行比较：

Answer 1

如果要使用Keras中的preprocess_input方法对输入进行预处理，请删除rescale=1./255参数。否则，保留rescale参数并删除preprocessing_function参数。另外，如果损失没有减少，请尝试降低学习率，例如1e-4或3e-5或1e-5（Adam优化器的默认学习率是1e-3）：

from keras.optimizers import Adam

model.compile(optimizer = Adam(lr=learning_rate), ...)

编辑：添加训练图后，您会发现它过度适合训练集。您可以：

添加某种类型的正则化功能，例如Dropout层，
或通过减少Dense层中最后一层之前的单元数来减小网络大小。

Answer 2

@今天，我发现了一个问题。这是由于“批归一化”层及其冻结时的行为发生了一些变化。 Chollet先生给出了一种解决方法，但是我使用了datumbox制造的Keras叉，它解决了我的问题。主要问题描述如下：

https://github.com/keras-team/keras/pull/9965

现在，我的准确率达到了〜85％，并试图提高它。

转移学习不良准确性

2 个答案: