图像分类模型的准确性不断提高

Question

我正在尝试使用预训练的Inception V3模型对两个不同的类进行图像分类。我有大约1400张图像的数据集，这些图像大致平衡。当我运行程序时，得到的结果在前几个时期就不正确了。训练模型时这正常吗？

epochs =  175

batch_size = 64

#include_top = false to accomodate new classes 
base_model = keras.applications.InceptionV3(
        weights ='imagenet',
        include_top=False, 
        input_shape = (img_width,img_height,3))

#Classifier Model ontop of Convolutional Model
model_top = keras.models.Sequential()
model_top.add(keras.layers.GlobalAveragePooling2D(input_shape=base_model.output_shape[1:], data_format=None)),
model_top.add(keras.layers.Dense(350,activation='relu'))
model_top.add(keras.layers.Dropout(0.4))
model_top.add(keras.layers.Dense(1,activation = 'sigmoid'))
model = keras.models.Model(inputs = base_model.input, outputs = model_top(base_model.output))

#freeze the convolutional layers of InceptionV3
for layer in model.layers[:30]:
layer.trainable = False

#Compiling model using Adam Optimizer 
model.compile(optimizer = keras.optimizers.Adam(
                    lr=0.000001,
                    beta_1=0.9,
                    beta_2=0.999,
                    epsilon=1e-08),
                    loss='binary_crossentropy',
                    metrics=['accuracy'])

使用我当前的参数，当我在一组单独的图像上进行测试时，我的精度仅为89％，测试损失为0.3。是否需要在模型中添加更多图层以提高准确性？

Answer 1

您的代码有几个问题...

首先，您构建model_top的方法非常不常规（恕我直言，也很混乱）；在这种情况下，documentation examples是您最好的朋友。因此，首先将model_top部分替换为：

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(350, activation='relu')(x)
x = Dropout(0.4)(x)
predictions = Dense(1, activation='sigmoid')(x)

# this is the model we will train
model = Model(inputs=base_model.input, outputs=predictions)

请注意，我没有更改您选择的参数-您可以在密集层中尝试使用更多单位（文档中的示例使用1024）...

第二，不清楚为什么您选择仅冻结30层的InceptionV3，该层不少于311层：

len(base_model.layers)
# 311

因此，也将这一部分替换为

for layer in base_model.layers:
    layer.trainable = False

第三，您的学习率似乎太低； Adam优化器应该可以使用默认参数在开箱即用的情况下很好地工作，因此我也建议您将模型编译为

model.compile(optimizer = keras.optimizers.Adam(),
                    loss='binary_crossentropy',
                    metrics=['accuracy'])