我正在尝试训练一个简单的 MobileNetV3Small
下keras.applications
如下图
base_model = keras.applications.MobileNetV3Small(
input_shape= INPUT_SHAPE,
alpha=.125,
include_top=False,
classes=1,
dropout_rate = 0.2,
weights=None)
x = keras.layers.Flatten()(base_model.output)
preds = keras.layers.Dense(1, activation="sigmoid")(x)
model = keras.Model(inputs=base_model.input, outputs=preds)
model.compile(loss="binary_crossentropy",
optimizer='RMSprop',
metrics=["binary_accuracy"])
train_datagen = ImageDataGenerator(
rescale=1.0 / 255,
rotation_range=40,
horizontal_flip=True,
vertical_flip=True,
)
train_generator = train_datagen.flow_from_directory(
os.path.join(DATA_ROOT, 'train'),
target_size=(56,56),
batch_size=128,
class_mode="binary",
)
validation_datagen = ImageDataGenerator(rescale=1.0 / 255)
validation_generator = validation_datagen.flow_from_directory(
os.path.join(DATA_ROOT, 'val'),
target_size=(56,56),
batch_size=128,
class_mode="binary",
)
model_checkpoint_callback = keras.callbacks.ModelCheckpoint(
filepath=SAVE_DIR,
save_weights_only=True,
monitor='val_binary_accuracy',
mode='max',
save_best_only=True)
es_callback = keras.callbacks.EarlyStopping(patience=10)
model.fit(train_generator,
epochs=100,
validation_data=validation_generator,
callbacks=[model_checkpoint_callback, es_callback],
shuffle=True)
当我训练模型时,我得到的验证准确度约为 0.94。但是当我调用model.evaluate
时在完全相同的验证数据上,准确度变为0.48。当我调用model.predict
时对于任何数据,它都会输出恒定值 0.51...
学习率、优化器或指标没有任何问题。这里可能出了什么问题?
编辑:
训练后运行
pred_results = model.evaluate(validation_generator)
print(pred_results)
它为我提供了 1 epoch 训练网络的输出:
6/6 [==============================] - 1s 100ms/step - loss: 0.6935 - binary_accuracy: 0.8461
但是,当我使用 model.save()
保存并加载模型时或tf.keras.models.save_model()
。输出变成这样:
6/6 [==============================] - 2s 100ms/step - loss: 0.6935 - binary_accuracy: 0.5028 [0.6935192346572876, 0.5027709603309631]
和 model.predict(validation_generator)
的输出是:
[[0.5080832] [0.5080832] [0.5080832] [0.5080832] . . . [0.5080832] [0.5080832]]
到目前为止我尝试过的:
- 二手
tf.keras.utils.image_dataset_from_directory()
而不是ImageDataGenerator
- 修复了全局 tensorflow 和 numpy 种子。
- 在另一个中发现类似问题SO post ,并减少
momentum
MobileNet BatchNormalization 层的参数一一对应。
for layer in model.layers[0].layers:
if type(layer) is tf.keras.layers.BatchNormalization:
layer.momentum = 0.9
前两个 Action 没有效果,在应用第三步之后,我对任何输入都不再得到相同的预测。然而,evaluate()
和predict()
仍然有不同的精度值。
最佳答案
您是否尝试过在 validation_datagen.flow_from_directory()
中设置 shuffle = False
?这有点误导,但 .flow_from_directory()
方法默认情况下会进行洗牌,这在生成验证数据集时会出现问题。当您尝试调用 .predict
时,这会打乱您的验证数据。而在训练循环中,.fit
方法隐式地不会对验证集进行洗牌。
我认为这是问题所在的原因是因为您声明在验证集上调用 .predict()
可以获得约 .5 的准确率,并且您还运行了二进制分类(带有二进制交叉熵损失的 sigmoid 输出),如果您(错误地)打乱了验证数据,那么这是非常有意义的。平衡数据集上未经训练的二元分类器通常会达到 50% 左右的准确率(0 为 0.5,1 为 0.5),因为它只是猜测这一点。
来源:我之前构建并训练了很多图像分类模型,这种情况在我身上发生过很多次。
关于python - Keras 模型在训练时返回较高的验证准确率,但在评估时准确率非常低,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/72774644/