Vgg16 用于性别检测（男、女）

Question

我们使用了 vgg16 并冻结了顶层，并在性别数据集 12k 男性和 12k 女性上重新训练了最后 4 层。 它的准确性非常低，尤其是对于男性。 我们正在使用 IMDB 数据集。 在女性测试数据上，它给出的女性为 output，但在男性上，它给出相同的 output。

vgg_conv=VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

Freeze the layers except the last 4 layers
for layer in vgg_conv.layers[:-4]: 
    layer.trainable = False

Create the model
model = models.Sequential()

Add the vgg convolutional base model
model.add(vgg_conv)

Add new layers
model.add(layers.Flatten()) 
model.add(layers.Dense(4096, activation='relu')) 
model.add(layers.Dense(4096, activation='relu')) 
model.add(layers.Dropout(0.5)) model.add(layers.Dense(2, activation='softmax'))

nTrain=16850 nTest=6667

train_datagen = image.ImageDataGenerator(rescale=1./255)

test_datagen = image.ImageDataGenerator(rescale=1./255)

batch_size = 12 batch_size1 = 12

train_generator = train_datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical', shuffle=False)

test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=batch_size1, class_mode='categorical', shuffle=False)

model.compile(optimizer=optimizers.RMSprop(lr=1e-6), loss='categorical_crossentropy', metrics=['acc'])

history = model.fit_generator( train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=3, validation_data=test_generator, validation_steps=test_generator.samples/test_generator.batch_size, verbose=1)

model.save('gender.h5')

测试代码：

model=load_model('age.h5') 
img=load_img('9358807_1980-12-28_2010.jpg', target_size=(224,224)) 
img=img_to_array(img) 
img=img.reshape((1,img.shape[0],img.shape[1],img.shape[2])) 
img=preprocess_input(img) 
yhat=model.predict(img) 
print(yhat.size) 
label=decode_predictions(yhat)

label=label[0][0]

print('%s(%.2f%%)'% (label[1],label[2]*100))

Answer 1

首先，您将 model 保存为gender.h5并在测试期间加载 model age.h5 。 可能您在这里添加了不同的测试代码。

来提高程序的准确性 -

1. 最重要的是您正在使用loss = 'categorical_crossentropy' ，在model.compile其更改为loss = 'binary_crossentropy'因为您只有 2 个类。 所以你的model.compile(optimizer="adam",loss=tf.keras.losses.BinaryCrossentropy(from_logits=True), metrics=['accuracy'])看起来像这样。
2. 还要在class_mode='categorical'更改为flow_from_directory class_mode='binary' 。
3. 由于categorical_crossentropy与最后一层中的softmax激活密切相关，如果您将损失更改为binary_crossentropy ，则最后一次激活也应更改为sigmoid 。 所以最后一层应该是Dense(1, activation='sigmoid') 。
4. 您添加了 2 4096的Dense层，这将添加4096 * 4096 = 16,777,216权重，以便 model 学习。 将它们分别减少到1026和512 。
5. 您添加了0.5的Dropout层，即在 epoch 期间保持 50% 的神经元关闭。 这是一个巨大的数字。 更好的是放弃Dropout层并仅在您的 model overfitting时使用。
6. 设置batch_size = 1 。 由于您的输入非常少，因此每个时期都具有与输入记录相同的步数。
7. 使用ImageDataGenerator的 Horizo horizontal_flip 、 vertical_flip 、 shear_range 、 zoom_range等数据增强技术在每个epoch生成新批次的训练和验证图像。
8. 训练您的 model 进行大量epoch 。 您只是在训练epoch=3 ，这对于学习权重来说太少了。 训练epoch=50 ，然后修剪数字。

希望这能回答你的问题。 快乐学习。