使用迁移学习时不学习的模型
使用迁移学习时不学习的模型
提问于 2019-11-28 20:27:40
我正在从事一个关于图像分类的个人项目(两个类)，并试图了解MobileNet v2结构将如何执行。虽然训练的准确性已经相当高，但经过第一次训练后，训练的准确率还在不断提高。然而，验证的准确性似乎永远停留在50%的关口附近。
我尝试过SGD、Adam和RMSprop作为优化器，但是它们都产生了相同的结果。我还使用了带有和不带MobileNet权重的v2，没有看到任何区别。其他CNN架构工作得很好，达到了95%的验证精度。我对我的模型使用了以下代码：
from keras.applications import MobileNetV2
from keras.models import Sequential
from keras.layers import GlobalAveragePooling2D, Dropout, Dense
basemodel = MobileNetV2(input_shape=(128, 173, 3), include_top=False, weights=None)
model = Sequential(
[
basemodel,
GlobalAveragePooling2D(),
Dropout(0.5),
Dense(64, activation="relu"),
Dropout(0.3),
Dense(1, activation="sigmoid"),
]
)
model.compile(loss="binary_crossentropy", optimizer="sgd", metrics=["accuracy"])是否存在明显的遗漏，还是只是对数据集使用了不正确的超参数？
回答 2
Data Science用户
发布于 2020-01-13 15:00:55
在tensorflow1,2+中学习任何模型的关键步骤是：
- 对图像使用正确的预处理(查找需要mobilenetv2的预处理)
- 从"imagenet“权重开始
- 改变BatchNormalization行为，在tf中，默认的动量值是0.99，这不是最好的，在py手电筒中，它被设置为0.9 --当finetunig您的模型并且没有很多数据时，这个值会更好(有关更多信息，请参见链接和这 )。
Data Science用户
发布于 2020-06-12 07:44:30
- 使用imagenet权重。
- 冻结基本模型，以防止它在你的数据上受到训练。
- 您可能对trainset.Try进行了过度调整，使其不使用整个MobileNet模型，可能只使用了最初的10-15层。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/63951
复制相关文章
相似问题
腾讯云开发者
