ResNet50 Model 没有在 keras 中使用迁移学习进行学习

Question

我正在尝试在 ResNet50 model 上执行迁移学习，该 ResNet50 model 在 PASCAL VOC 2012 数据集的 Imag.net 权重上进行了预训练。 因为它是一个多 label 数据集，所以我在最后一层使用sigmoid激活 function 和binary_crossentropy损失。 指标是precision,recall and accuracy 。 下面是我用来为 20 个类构建 model 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 epochs 直到 earlystopping，指标如下（没有 Dropout 层）：

loss: 0.1195 - accuracy: 0.9551 - precision_m: 0.8200 - recall_m: 0.5420 - val_loss: 0.3535 - val_accuracy: 0.8358 - val_precision_m: 0.0583 - val_recall_m: 0.0757

即使有 Dropout 层，我也看不出有什么区别。

loss: 0.1584 - accuracy: 0.9428 - precision_m: 0.7212 - recall_m: 0.4333 - val_loss: 0.3508 - val_accuracy: 0.8783 - val_precision_m: 0.0595 - val_recall_m: 0.0403

使用 dropout，在几个时期内，model 达到了 0.2 的验证精度和准确度，但不超过该值。

我发现与有和没有 dropout 层的训练集相比，验证集的精度和召回率都非常低。 我应该如何解释这个？ 这是否意味着 model 过拟合。 如果是这样，我该怎么办？ 到目前为止，model 的预测是相当随机的（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

这个问题很老了，但我会回答它以防它对其他人有帮助：

在此示例中，您冻结了除最后两个层（全局平均池化层和最后一个密集层）之外的所有层。 有一种更简洁的方法可以实现相同的 state：

rn50 = applications.resnet50.ResNet50(weights='imagenet', include_top=False, 
input_shape=(img_height, img_width, 3))

x = rn50.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(num_classes, activation= 'sigmoid')(x)
model = Model(inputs = base_model.input, outputs = predictions)

rn50.trainable = False  # <- this

model.compile(...)

在这种情况下，正在从 ResNet50.network 中提取特征并将其馈送到线性 softmax 分类器，但未训练 ResNet50 的权重。 这称为特征提取，而不是微调。

唯一被训练的权重来自你的分类器，它是用从随机分布中抽取的权重实例化的，因此应该完全训练。 您应该使用默认学习率的 Adam：

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，你就解冻骨干并“微调”它：

backbone.trainable = False
model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.001))
model.fit(epochs=50)

backbone.trainable = True
model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.00001))
model.fit(epochs=60, initial_epoch=50)

Keras 网站上有一篇关于此的好文章： https://keras.io/guides/transfer_learning/