Question

我们使用了vgg16并冻结了顶层，并在性别数据集12k男性和12k女性上重新训练了最后4层。它的准确性非常低，尤其是对于男性。我们正在使用IMDB数据集。对于女性测试数据，它给出女性作为输出，但是对于男性测试数据，它给出相同的输出。

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

Freeze the layers except the last 4 layers
for layer in vgg_conv.layers[:-4]: 
    layer.trainable = False

Create the model
model = models.Sequential()

Add the vgg convolutional base model
model.add(vgg_conv)

Add new layers
model.add(layers.Flatten()) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dropout(0.5)) model.add(layers.Dense(2, activation='softmax'))

nTrain=16850 nTest=6667

train_datagen = image.ImageDataGenerator(rescale=1./255)

test_datagen = image.ImageDataGenerator(rescale=1./255)

batch_size = 12 batch_size1 = 12

train_generator = train_datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical', shuffle=False)

test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=batch_size1, class_mode='categorical', shuffle=False)

model.compile(optimizer=optimizers.RMSprop(lr=1e-6), loss='categorical_crossentropy', metrics=['acc'])

history = model.fit_generator( train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=3, validation_data=test_generator, validation_steps=test_generator.samples/test_generator.batch_size, verbose=1)

model.save('gender.h5')

测试代码：

model=load_model('age.h5') img=load_img('9358807_1980-12-28_2010.jpg', target_size=(224,224)) img=img_to_array(img) img=img.reshape((1,img.shape[0],img.shape[1],img.shape[2])) img=preprocess_input(img) yhat=model.predict(img) print(yhat.size) label=decode_predictions(yhat)

label=label[0][0]

print('%s(%.2f%%)'% (label[1],label[2]*100))

Answer 1

首先，将模型另存为gender.h5，并在测试期间加载模型age.h5。可能您在此处添加了用于测试的其他代码。

要提高程序的准确性-

最重要的是您正在使用loss = 'categorical_crossentropy'，因为只有2个类，所以将其更改为loss = 'binary_crossentropy'中的model.compile。所以你 model.compile(optimizer="adam",loss=tf.keras.losses.BinaryCrossentropy(from_logits=True), metrics=['accuracy'])将如下所示。
也将class_mode='categorical'中的class_mode='binary'更改为flow_from_directory。
当categorical_crossentropy与最后一层的softmax激活并存时，如果将损失更改为binary_crossentropy，则最后一次激活也应更改为sigmoid 。所以最后一层应该是Dense(1, activation='sigmoid')。
您已经添加了Dense的2个4096层，这将添加4096 * 4096 = ‭16,777,216‬权重以供模型学习。将它们减少到1026和512。
您已添加Dropout的{{1}}层，这是为了在该时期使50％的神经元保持关闭状态。那是巨大的数字。最好是放下0.5层，并仅在模型为Dropout时使用。
设置overfitting。由于您的输入量非常少，因此每个纪元都具有与输入记录相同的步数。
使用batch_size = 1中的horizontal_flip，vertical_flip，shear_range，zoom_range之类的数据增强技术在每个{ {1}}。
训练模型以获取大量ImageDataGenerator。您只是为epoch训练，对于学习权重而言，这太少了。训练epoch，然后修剪数字。

希望这能回答您的问题。学习愉快。

Vgg16用于性别检测（男，女）

1 个答案: