Question

请注意每个人，这是“多标签”问题，而不是“多类”问题。这是一个多标签，多类别的问题。我试图通过仅阅读图像就按类型对电影海报进行分类。我总共有22000张图像。我对Keas模型的一种流派进行了热编码，以预测电影的多种流派（在最终的密集层激活中使用了S形）。我需要推荐合适的批处理大小和纪元数。我正在使用VGG16。我也想知道如何选择要冻结的图层。

我使用VGG16尝试了25个纪元。该模型往往过拟合。批次大小为10。

这是我按类型划分的训练图像（注意：电影可能不止一种类型，这种情况经常发生）

{“操作”：2226.0，惊悚片：2788.0， '戏剧'：9283.0， '浪漫'：2184.0， '恐怖'：2517.0， '科幻'：756.0， '神秘'：918.0， '冒险'：1105.0， '动画'：583.0， “犯罪”：1369.0， '喜剧'：5524.0， ``幻想''：735.0， “家庭”：991.0， “音乐”：319.0， “历史记录”：359.0， ``战争''：177.0， '音乐'：191.0， '传记'：484.0， “运动”：190.0}

conv_base = VGG16(weights = 'imagenet', include_top = False, input_shape = (224,224,3))

for layer in conv_base.layers[6:]:
    layer.trainable = False

early = EarlyStopping(monitor='acc', patience=7, mode='auto')

classifier = Sequential()
classifier.add(conv_base)

from keras.layers import Dropout
classifier.add(Dense(units = 128, activation = "relu"))
classifier.add(Dropout(0.2))
classifier.add(Dense(units = 128, activation = "relu"))
classifier.add(Dropout(0.1))
classifier.add(Dense(units = 19, activation = 'sigmoid'))

classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ["accuracy"])

classifier.fit(X_train, y_train, epochs=15, batch_size=10, callbacks = [early])

图像分类-按类型的电影海报。 Keras模型过度拟合

0 个答案: