我正在使用 VGG16 制作一个包含 5 个类的图像分类 CNN,每个类有 693 个宽度和高度为 224px 的图像,但我的验证准确率在 15-20 个周期后停留在 60% - 65% 左右。
我已经在使用一些数据增强、批量归一化和 dropout,并且我已经卡住了前 5 层,但我似乎无法将准确率提高超过 65%。
这些是我自己的图层
img_rows, img_cols, img_channel = 224, 224, 3
base_model = applications.VGG16(weights='imagenet', include_top=False, input_shape=(img_rows, img_cols, img_channel))
for layer in base_model.layers[:5]:
layer.trainable = False
add_model = Sequential()
add_model.add(Flatten(input_shape=base_model.output_shape[1:]))
add_model.add(Dropout(0.5))
add_model.add(Dense(512, activation='relu'))
add_model.add(BatchNormalization())
add_model.add(Dropout(0.5))
add_model.add(Dense(5, activation='softmax'))
model = Model(inputs=base_model.input, outputs=add_model(base_model.output))
model.compile(loss='sparse_categorical_crossentropy', optimizer=optimizers.Adam(lr=0.0001),
metrics=['accuracy'])
model.summary()
这是我的模型的数据集
batch_size = 64
epochs = 25
train_datagen = ImageDataGenerator(
rotation_range=30,
width_shift_range=.1,
height_shift_range=.1,
horizontal_flip=True)
train_datagen.fit(x_train)
history = model.fit_generator(
train_datagen.flow(x_train, y_train, batch_size=batch_size),
steps_per_epoch=x_train.shape[0] // batch_size,
epochs=epochs,
validation_data=(x_test, y_test),
callbacks=[ModelCheckpoint('VGG16-transferlearning.model', monitor='val_acc', save_best_only=True)]
)
我想要获得更高的准确性,因为我现在得到的还不够,所以任何帮助或建议将不胜感激。
最佳答案
您可以尝试的一些方法是:
- 减少批量大小。
- 选择另一个优化器:RMSprop , SGD ...
- 默认提高学习率,然后使用回调ReduceLROnPlateau
但是,像往常一样,这取决于您使用的数据。平衡良好吗?
关于python - 为什么我的验证准确率停留在 65% 左右?如何提高它?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56632808/