我有以下情节:
模型是使用以下数量的样本创建的:
class1 class2
train 20 20
validate 21 13
根据我的理解,情节显示没有过度拟合。但我觉得, 由于样本很小,我不确定模型是否具有通用性 足够的。
除了上面的图之外,还有其他方法来衡量过度拟合吗?
这是我的完整代码:
library(keras)
library(tidyverse)
train_dir <- "data/train/"
validation_dir <- "data/validate/"
# Making model ------------------------------------------------------------
conv_base <- application_vgg16(
weights = "imagenet",
include_top = FALSE,
input_shape = c(150, 150, 3)
)
# VGG16 based model -------------------------------------------------------
# Works better with regularizer
model <- keras_model_sequential() %>%
conv_base() %>%
layer_flatten() %>%
layer_dense(units = 256, activation = "relu", kernel_regularizer = regularizer_l1(l = 0.01)) %>%
layer_dense(units = 1, activation = "sigmoid")
summary(model)
length(model$trainable_weights)
freeze_weights(conv_base)
length(model$trainable_weights)
# Train model -------------------------------------------------------------
desired_batch_size <- 20
train_datagen <- image_data_generator(
rescale = 1 / 255,
rotation_range = 40,
width_shift_range = 0.2,
height_shift_range = 0.2,
shear_range = 0.2,
zoom_range = 0.2,
horizontal_flip = TRUE,
fill_mode = "nearest"
)
# Note that the validation data shouldn't be augmented!
test_datagen <- image_data_generator(rescale = 1 / 255)
train_generator <- flow_images_from_directory(
train_dir, # Target directory
train_datagen, # Data generator
target_size = c(150, 150), # Resizes all images to 150 × 150
shuffle = TRUE,
seed = 1,
batch_size = desired_batch_size, # was 20
class_mode = "binary" # binary_crossentropy loss for binary labels
)
validation_generator <- flow_images_from_directory(
validation_dir,
test_datagen,
target_size = c(150, 150),
shuffle = TRUE,
seed = 1,
batch_size = desired_batch_size,
class_mode = "binary"
)
# Fine tuning -------------------------------------------------------------
unfreeze_weights(conv_base, from = "block3_conv1")
# Compile model -----------------------------------------------------------
model %>% compile(
loss = "binary_crossentropy",
optimizer = optimizer_rmsprop(lr = 2e-5),
metrics = c("accuracy")
)
# Evaluate by epochs ---------------------------------------------------------------
# # This create plots accuracy of various epochs (slow)
history <- model %>% fit_generator(
train_generator,
steps_per_epoch = 100,
epochs = 15, # was 50
validation_data = validation_generator,
validation_steps = 50
)
plot(history)
最佳答案
这里有两件事:
对数据进行分层。类 - 您的验证数据具有与训练集完全不同的类分布(训练集是平衡的,而验证集不是)。这可能会影响您的损失和指标值。最好对结果进行分层,以便两组的类别比例相同。
数据点如此之少,请使用更粗略的验证模式 - 正如您可能会看到的那样,总共只有 74 张图像。在这种情况下 - 将所有图像加载到 numpy.array 都不是问题(您仍然可以使用 flow 函数进行数据增强)并使用难以获得的验证模式当您将数据放在文件夹中时。我建议您使用的模式(来自
sklearn
)是:- stratified k-fold cross-validation - 将数据分为 k block - 对于每次选择的 k - 1 block - 首先在 k - 1 上训练模型,然后计算留下待验证的指标。最终结果是验证 block 上获得的结果的平均值。当然,您不仅可以检查平均值,还可以检查损失分布的其他统计数据(例如min、max>、中位数等)。您还可以将它们与每次折叠的训练集上获得的结果进行比较。
- leave-one-out - 这是先前模式的特殊情况 - 其中 block /折叠的数量等于数据集中的示例数量。此方法被认为是衡量模型性能的最粗略方法。它很少用于深度学习,因为为了在合理的时间内完成计算,训练过程通常很慢并且数据集很大。
关于r - Keras 模型中训练和验证样本较小时如何衡量过拟合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48675901/