问在增加更多的训练数据后，暹罗网络的精度停滞不前。
EN

Stack Overflow用户

提问于 2022-07-26 16:28:48

回答 1查看 75关注 0票数 0

我是机器学习的新手，我目前正在努力创建一个能够预测品牌标识相似性的暹罗网络。我有一个210.000商标的数据集。用于暹罗网络的CNN看起来如下：

def build_cnn(inputShape, embeddingDim=48):
# specify the inputs for the feature extractor network
inputs = Input(shape=inputShape)
# define the first set of CONV => RELU => POOL => DROPOUT layers
x = Conv2D(64, (2, 2), padding="same", activation="relu")(inputs)
x = MaxPooling2D(pool_size=(5, 5))(x)
x = Dropout(0.3)(x)

# second set of CONV => RELU => POOL => DROPOUT layers
x = Conv2D(64, (2, 2), padding="same", activation="relu")(x)
x = MaxPooling2D(pool_size=2)(x)
x = Dropout(0.3)(x)

pooledOutput = GlobalAveragePooling2D()(x)
outputs = Dense(embeddingDim)(pooledOutput)
# build the model
model = Model(inputs, outputs)
model.summary()
plot_model(model, to_file=os.path.sep.join([config.BASE_OUTPUT,'model_cnn.png']))
# return the model to the calling function
return model

暹罗网络看起来是这样的(这里的模型是上面描述的cnn )：

imgA = Input(shape=config.IMG_SHAPE)
imgB = Input(shape=config.IMG_SHAPE)
featureExtractor = siamese_network.build_cnn(config.IMG_SHAPE)
featsA = featureExtractor(imgA)
featsB = featureExtractor(imgB)
distance = Lambda(euclidean_distance)([featsA, featsB])
outputs = Dense(1, activation="sigmoid")(distance)
model = Model(inputs=[imgA, imgB], outputs=outputs)

我的第一次测试是对800对阳性和800对阴性的测试，其准确性和丢失情况如下：

我的想法是，有一些过度拟合的发生，我的方法是创建更多的训练数据(2,000对正负对)，并再次训练模型，但不幸的是，即使在20+时代之后，该模型也没有得到改进。

对于这两种情况，我使用以下方法来训练我的网络：

model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
print("[INFO] training model...")
history = model.fit(
    [pairTrain[:, 0], pairTrain[:, 1]], labelTrain[:],
    validation_data=([pairTest[:, 0], pairTest[:, 1]], labelTest[:]),
    batch_size=10,
    shuffle=True,
    epochs=50)

我不知道这里发生了什么，所以我真的很感激你的每一个帮助。我在这里的问题是，为什么连体网络学习(或者至少看起来像是在学习)的训练数据较少，但一旦我增加更多，准确性是不变的，根本没有改进？

根据艾伯托斯的评论，编辑，我试着用selu (仍然不起作用)：