![](/img/trans.png)
[英]How to improve an accuracy of validation and test of my model of Transfer Learning BERT
[英]Transfer Learning - Merging my top layers with pretrained model drops accuracy to 0%
我的目標是將我的頂層附加到像 VGG19 這樣的預訓練模型,並使用合並模型進行一些預測。 合並后的模型精度為 0。 需要一點幫助。
from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
from keras.layers import Dropout, Flatten, Dense
from keras.models import Sequential
vgg19top_model = Sequential()
vgg19top_model.add(GlobalAveragePooling2D(input_shape=train_vgg19.shape[1:])) # shape=(7, 7, 512)
vgg19top_model.add(Dense(255, activation='relu'))
vgg19top_model.add(Dropout(0.35))
vgg19top_model.add(Dense(133, activation='softmax'))
vgg19top_model.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
global_average_pooling2d_1 ( (None, 512) 0
_________________________________________________________________
dense_1 (Dense) (None, 255) 130815
_________________________________________________________________
dropout_1 (Dropout) (None, 255) 0
_________________________________________________________________
dense_2 (Dense) (None, 133) 34048
=================================================================
Total params: 164,863
Trainable params: 164,863
Non-trainable params: 0
在這里重新加載這些重量
代碼未顯示
from keras import applications
vgg19=applications.vgg19.VGG19(include_top=False, weights='imagenet',input_shape=(224, 224, 3))
vgg19.summary()
Layer (type) Output Shape Param #
=================================================================
input_3 (InputLayer) (None, 224, 224, 3) 0
_________________________________________________________________
...
...
_________________________________________________________________
block5_conv4 (Conv2D) (None, 14, 14, 512) 2359808
_________________________________________________________________
block5_pool (MaxPooling2D) (None, 7, 7, 512) 0
=================================================================
Total params: 20,024,384
Trainable params: 20,024,384
Non-trainable params: 0
from keras.layers import Input, Dense
from keras.models import Model
global_average_pooling2d_7 = vgg19.get_layer('block5_pool') # shape=(?, 7, 7, 512)
bn_conv1_model = Model(inputs=vgg19.input, outputs=global_average_pooling2d_7.output)
new_model = Sequential()
new_model.add(bn_conv1_model)
new_model.add(vgg19top_model)
new_model.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
model_12 (Model) <-VGG19 (None, 7, 7, 512) 20024384
_________________________________________________________________
sequential_6 (Sequential) (None, 133) 164863
=================================================================
Total params: 20,189,247
Trainable params: 164,863
Non-trainable params: 20,024,384
它以 0% 的准確率完全失敗
我該如何端到端地測試這個新模型——或者更確切地說,為什么它的預測如此糟糕?
我認為,從你的做法來看,你堆疊了兩個 VGG19 模型,但第一個只是 VGG19 的一些層。
這不是提高准確性的最佳方法。 首先,它只會增加網絡的參數,因為您按順序組合模型,計算量會很大。 其次,它不會提高准確率,因為第一個模型將采用低層和高層的特征,但是接下來的 CNN 層從第二個模型中提取了更多無關緊要的復雜特征。
您可能想嘗試另一種方法,如 Siamese CNN 或雙向 CNN (BCNN)。 這個想法是我們將訓練集提供給兩個 CNN 模型,然后我們合並這兩個 CNN 的輸出。 證明該方法可以提取輸入圖像的特征變量。
你可以訪問這個網站了解更多關於 BCNN 的信息http://vis-www.cs.umass.edu/bcnn/
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.