Keras图像分类验证准确率更高

Posted 2023-03-13

【中文标题】Keras图像分类验证准确率更高

【英文标题】：Keras image classification validation accuracy higher

【发布时间】：2017-11-20 09:48:38

【问题描述】：

我正在运行一个包含图像的图像分类模型，我的问题是我的验证准确度高于我的训练准确度。 数据（训练/验证）是随机设置的。我使用 InceptionV3 作为预训练模型。准确率和验证准确率之间的比率在 100 个 epoch 内保持不变。 我尝试了较低的学习率和额外的批量标准化层。

有人对要研究的内容有任何想法吗？非常感谢您的帮助，谢谢！

base_model = InceptionV3(weights='imagenet', include_top=False)
# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# add a fully-connected layer
x = Dense(468, activation='relu')(x)
x = Dropout(0.5)(x)

# and a logistic layer
predictions = Dense(468, activation='softmax')(x)

# this is the model we will train
model = Model(base_model.input,predictions)

# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in base_model.layers:
    layer.trainable = False

# compile the model (should be done *after* setting layers to non-trainable)
adam = Adam(lr=0.0001, beta_1=0.9)
model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy'])

# train the model on the new data for a few epochs
batch_size = 64
epochs = 100
img_height = 224
img_width = 224
train_samples = 127647
val_samples = 27865

train_datagen = ImageDataGenerator(
    rescale=1./255,
    #shear_range=0.2,
    zoom_range=0.2,
    zca_whitening=True,
    #rotation_range=0.5,
    horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    'AD/AutoDetect/',
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    'AD/validation/',
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical')

# fine-tune the model
model.fit_generator(
    train_generator,
    samples_per_epoch=train_samples // batch_size,
    nb_epoch=epochs,
    validation_data=validation_generator,
    nb_val_samples=val_samples // batch_size)

找到属于 468 个类别的 127647 张图片。 找到属于 468 个类别的 27865 张图片。 纪元 1/100 2048/1994 [===============================] - 48s - 损失：6.2839 - acc：0.0073 - val_loss：5.8506 - val_acc：0.0179 纪元 2/100 2048/1994 [===============================] - 44s - 损失：5.8338 - acc：0.0430 - val_loss：5.4865 - val_acc：0.1004 纪元 3/100 2048/1994 [===============================] - 45s - 损失：5.5147 - acc：0.0786 - val_loss：5.1474 - val_acc：0.1161 纪元 4/100 2048/1994 [===============================] - 44s - 损失：5.1921 - acc：0.1074 - val_loss：4.8049 - val_acc: 0.1786

【问题讨论】：

您能否详细说明为什么要缩放、翻转和白化数据？拥有超过 10 万张图像，您似乎有足够的数据至少可以尝试不进行增强。除此之外，您还可以给全连接层增加一点复杂性。我会尝试 1024 个或更大的神经元，并摆脱 Dropout / BatchNorm。

仅出于完整性考虑：Inception 的正确图像尺寸为 299x299px。 224 用于 VGG。见这里：keras.io/applications

【参考方案1】：

see this answer

这是因为您在模型中添加了一个 dropout 层，以防止在训练期间准确度达到 1.0。