ResNet50 模型在 keras 中没有通过迁移学习进行学习

Question

我正在尝试对在 PASCAL VOC 2012 数据集的 Imagenet 权重上预训练的 ResNet50 模型执行迁移学习。由于它是一个多标签数据集，我sigmoid在最后一层使用激活函数和binary_crossentropy损失。指标是precision,recall and accuracy。下面是我用来为 20 个类构建模型的代码（PASCAL VOC 有 20 个类）。

img_height,img_width = 128,128

num_classes = 20

#If imagenet weights are being loaded,

#input must have a static square shape (one of (128, 128), (160, 160), (192, 192), or (224, 224))

base_model = applications.resnet50.ResNet50(weights= 'imagenet', include_top=False, input_shape= (img_height,img_width,3))

x = base_model.output

x = GlobalAveragePooling2D()(x)

#x = Dropout(0.7)(x)

predictions = Dense(num_classes, activation= 'sigmoid')(x)

model = Model(inputs = base_model.input, outputs = predictions)

for layer in model.layers[-2:]:

        layer.trainable=True

for layer in model.layers[:-3]:

        layer.trainable=False

adam = Adam(lr=0.0001)

model.compile(optimizer= adam, loss='binary_crossentropy', metrics=['accuracy',precision_m,recall_m])

#print(model.summary())

X_train, X_test, Y_train, Y_test = train_test_split(x_train, y, random_state=42, test_size=0.2)

savingcheckpoint = ModelCheckpoint('ResnetTL.h5',monitor='val_loss',verbose=1,save_best_only=True,mode='min')

earlystopcheckpoint = EarlyStopping(monitor='val_loss',patience=10,verbose=1,mode='min',restore_best_weights=True)

model.fit(X_train, Y_train, epochs=epochs, validation_data=(X_test,Y_test), batch_size=batch_size,callbacks=[savingcheckpoint,earlystopcheckpoint],shuffle=True)

model.save_weights('ResnetTLweights.h5')

它运行了 35 个 epoch，直到 earlystopping，指标如下（没有 Dropout 层）：

我发现验证集的准确率和召回率与带有和不带有 dropout 层的训练集相比非常低。我该如何解释这个？这是否意味着模型过度拟合。如果是这样，我该怎么办？截至目前，模型预测是相当随机的（完全不正确）。数据集大小为 11000 张图像。

Answer 1

请您修改如下代码并尝试执行从：predictions = Dense(num_classes, activation= 'sigmoid')(x)至：predictions = Dense(num_classes, activation= 'softmax')(x)从：model.compile(optimizer= adam, loss='binary_crossentropy', metrics=['accuracy',precision_m,recall_m])至：model.compile(optimizer= adam, loss='categorical_crossentropy', metrics=['accuracy',precision_m,recall_m])

Answer 2

这个问题已经很老了，但如果它对其他人有帮助，我会回答它：在此示例中，您冻结了除最后两个层（全局平均池化和最后一个密集层）之外的所有层。有一种更简洁的方法可以达到相同的状态：rn50&nbsp;=&nbsp;applications.resnet50.ResNet50(weights='imagenet',&nbsp;include_top=False,&nbsp;input_shape=(img_height,&nbsp;img_width,&nbsp;3))x&nbsp;=&nbsp;rn50.outputx&nbsp;=&nbsp;GlobalAveragePooling2D()(x)predictions&nbsp;=&nbsp;Dense(num_classes,&nbsp;activation=&nbsp;'sigmoid')(x)model&nbsp;=&nbsp;Model(inputs&nbsp;=&nbsp;base_model.input,&nbsp;outputs&nbsp;=&nbsp;predictions)rn50.trainable&nbsp;=&nbsp;False&nbsp;&nbsp;#&nbsp;<-&nbsp;thismodel.compile(...)在这种情况下，从 ResNet50 网络中提取特征并馈送到线性 softmax 分类器，但没有训练 ResNet50 的权重。这称为特征提取，而不是微调。唯一正在训练的权重来自您的分类器，该分类器是用从随机分布中提取的权重实例化的，因此应该完全训练。您应该使用 Adam 的默认学习率：model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.001))所以你可以训练它几个时期，一旦完成，你就可以解冻主干并“微调”它：backbone.trainable&nbsp;=&nbsp;Falsemodel.compile(optimizer=tf.optimizers.Adam(learning_rate=0.001))model.fit(epochs=50)backbone.trainable&nbsp;=&nbsp;Truemodel.compile(optimizer=tf.optimizers.Adam(learning_rate=0.00001))model.fit(epochs=60,&nbsp;initial_epoch=50)Keras 网站上有一篇很好的文章：https ://keras.io/guides/transfer_learning/