转移学习准确性差

Question

我有一项任务是根据缺陷对种子进行分类。 我在7个班级中有大约14k图像（它们的大小不同，有些班级有更多的照片，有些班级有更少的照片）。 我试图从头开始训练初始V3，我的准确率大约为90％。 然后我尝试使用具有ImageNet权重的预训练模型进行转移学习。 我从没有顶级fc层的applications导入了inception_v3 ，然后在文档中添加了我自己的。 我以下面的代码结束：

# Setting dimensions
img_width = 454
img_height = 227

###########################
# PART 1 - Creating Model #
###########################

# Creating InceptionV3 model without Fully-Connected layers
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape = (img_height, img_width, 3))

# Adding layers which will be fine-tunned
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(7, activation='softmax')(x)

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

# Plotting model
plot_model(model, to_file='inceptionV3.png')

# Freezing Convolutional layers
for layer in base_model.layers:
    layer.trainable = False

# Summarizing layers
print(model.summary())

# Compiling the CNN
model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])

##############################################
# PART 2 - Images Preproccessing and Fitting #
##############################################

# Fitting the CNN to the images

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   rotation_range=30,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True,
                                   preprocessing_function=preprocess_input,)

valid_datagen = ImageDataGenerator(rescale = 1./255,
                                   preprocessing_function=preprocess_input,)

train_generator = train_datagen.flow_from_directory("dataset/training_set",
                                                    target_size=(img_height, img_width),
                                                    batch_size = 4,
                                                    class_mode = "categorical",
                                                    shuffle = True,
                                                    seed = 42)

valid_generator = valid_datagen.flow_from_directory("dataset/validation_set",
                                                    target_size=(img_height, img_width),
                                                    batch_size = 4,
                                                    class_mode = "categorical",
                                                    shuffle = True,
                                                    seed = 42)

STEP_SIZE_TRAIN = train_generator.n//train_generator.batch_size
STEP_SIZE_VALID = valid_generator.n//valid_generator.batch_size

# Save the model according to the conditions  
checkpoint = ModelCheckpoint("inception_v3_1.h5", monitor='val_acc', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
early = EarlyStopping(monitor='val_acc', min_delta=0, patience=10, verbose=1, mode='auto')

#Training the model
history = model.fit_generator(generator=train_generator,
                         steps_per_epoch=STEP_SIZE_TRAIN,
                         validation_data=valid_generator,
                         validation_steps=STEP_SIZE_VALID,
                         epochs=25,
                         callbacks = [checkpoint, early])

但是我得到了可怕的结果：45％的准确率。 我认为应该会更好。 我有一些假设可能会出错：

• 我从头开始训练缩放图像（299x299）和非缩放时转移学习（227x454）并且它失败了（或者我的尺寸顺序失败）。
• 虽然转移学习我使用了preprocessing_function=preprocess_input （在网上发现这篇文章非常重要，所以我决定添加它）。
• 添加了rotation_range=30 ， width_shift_range=0.2 ， height_shift_range=0.2和horizontal_flip = True同时传输学习更加增强数据。
• 也许Adam优化器是个坏主意？ 我应该尝试RMSprop吗？
• 我应该用SGD以小学习率微调一些转换层吗？

或者我失败了什么？

编辑：我发布了一段训练历史。 也许它包含有价值的信息：

EDIT2：改变InceptionV3的参数：

VGG16进行比较：

Answer 1

@today，我发现了一个问题。 这是因为Batch Normalization图层中的一些更改及其冻结时的行为。 Chollet先生给出了一个解决方法，但我使用了由datumbox制作的Keras前叉，这解决了我的问题。 主要问题在这里描述：

https://github.com/keras-team/keras/pull/9965

现在我的准确率达到了85％，我正在努力提高它。

Answer 2

如果要使用Keras中的preprocess_input方法预处理输入，请删除rescale=1./255参数。 否则，请保留rescale参数并删除preprocessing_function参数。 另外，如果损失不减少，请尝试较低的学习率，如1e-4或3e-5或1e-5（Adam优化器的默认学习率为1e-3）：

from keras.optimizers import Adam

model.compile(optimizer = Adam(lr=learning_rate), ...)

编辑：添加训练图后，您可以看到它在训练集上过度拟合。 您可以：

• 添加某种正规化，如Dropout图层，
• 或者通过降低最后一层之前的Dense层中的单元数来减小网络大小。