经过一些时代迁移学习后，验证损失增加

Posted 2023-03-28

【中文标题】经过一些时代迁移学习后，验证损失增加

【英文标题】：Validation loss goes up after some epoch transfer learning

【发布时间】：2021-06-13 09:32:46

【问题描述】：

我的验证损失在前 50 个 epoch 以良好的速度下降，但在那之后的 10 个 epoch 验证损失停止下降。我正在使用 mobilenet 并冻结图层并添加我的自定义头部。我的自定义头像如下：

def addTopModelMobileNet(bottom_model, num_classes):

top_model = bottom_model.output
top_model = GlobalAveragePooling2D()(top_model)
top_model = Dense(64,activation = 'relu')(top_model)
top_model = Dropout(0.25)(top_model)
top_model = Dense(32, activation = 'relu')(top_model)
top_model = Dropout(0.10)(top_model)
top_model = Dense(num_classes, activation = 'softmax')(top_model)

return top_model

我使用 alpha 0.25，学习率 0.001，衰减学习率 / epoch，nesterov 动量 0.8。我也在使用 earlystoping 回调，耐心等待 10 个 epoch。

【参考方案1】：

几乎可以肯定，每次我训练深度神经网络时都会遇到这种情况：

您可以摆弄参数，使它们对权重的敏感度降低，即它们不会改变已经“接近最佳”的权重。其中一些参数可能包括优化器的 alpha，尝试逐渐降低它。动量也会影响权重的变化方式。

您甚至可以逐渐减少辍学人数。

【讨论】：

对不起，我是新手，您能否更具体地了解如何逐渐减少辍学。

是的，尝试使用不同的 dropout 值并行训练你的神经网络的不同实例，因为有时我们最终会设置比要求更大的 dropout 值。继续尝试，这是每个人都会做的:)

【参考方案2】：

这种现象称为过拟合。在大约 70 个 epoch 时，它以明显的方式过度拟合。

这些背后有几个原因。

数据：请先分析您的数据。平衡不平衡的数据。如果数据的变化很差，请使用增强。

Layer tune：尝试进一步调整 dropout 超参数。我建议您也尝试添加 BatchNorm 层。

最后，尝试将学习率降低到 0.0001 并增加 epoch 的总数。此时不要使用 EarlyStopping。查看训练历史。有时由于一些奇怪的局部最小值而无法达到全局最小值。

【讨论】：

问题是数据来自两个不同的来源，但我也平衡了应用增强的分布。我在图像生成器中对图像进行了标准化，所以我应该使用 batchnorm 层吗？好的将减少 LR 并且不使用提前停止和通知。您能否更具体地了解辍学情况。

我真的很抱歉这么晚才回复。 1. 是的，仍然请使用批量规范层。 2. 从较高的比率开始退出率。然后根据模型的性能降低它。

在我搜索回调但找不到任何信息的固定时期后，我如何减少辍学，请您详细说明。

实际上，您无法在训练期间更改辍学率。您可以更改 LR，但不能更改模型配置。我说的是改变辍学后的再培训。

太棒了。如果有帮助，请接受此答案。