在 cifar-10 上在 Keras 中实现 AlexNet 的准确性很差

Posted 2023-03-12

【中文标题】在 cifar-10 上在 Keras 中实现 AlexNet 的准确性很差

【英文标题】：Implementation of AlexNet in Keras on cifar-10 gives poor accuracy

【发布时间】：2018-12-26 11:22:19

【问题描述】：

我尝试按照this 视频中的说明实施 AlexNet。如果我实现错了，请原谅我，这是我在 keras 中实现的代码。

编辑：cifar-10 ImageDataGenerator

cifar_generator = ImageDataGenerator()

cifar_data = cifar_generator.flow_from_directory('datasets/cifar-10/train', 
                                                 batch_size=32, 
                                                 target_size=input_size, 
                                                 class_mode='categorical')

Keras 中描述的模型：

model = Sequential()

model.add(Convolution2D(filters=96, kernel_size=(11, 11), input_shape=(227, 227, 3), strides=4, activation='relu'))
model.add(MaxPool2D(pool_size=(3 ,3), strides=2))

model.add(Convolution2D(filters=256, kernel_size=(5, 5), strides=1, padding='same', activation='relu'))
model.add(MaxPool2D(pool_size=(3 ,3), strides=2))

model.add(Convolution2D(filters=384, kernel_size=(3, 3), strides=1, padding='same', activation='relu'))
model.add(Convolution2D(filters=384, kernel_size=(3, 3), strides=1, padding='same', activation='relu'))
model.add(Convolution2D(filters=256, kernel_size=(3, 3), strides=1, padding='same', activation='relu'))

model.add(MaxPool2D(pool_size=(3 ,3), strides=2))

model.add(Flatten())
model.add(Dense(units=4096))
model.add(Dense(units=4096))
model.add(Dense(units=10, activation='softmax'))

model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])

我已使用 ImageDataGenerator 在 cifar-10 数据集上训练此网络。但是，我只能获得大约 0.20 的准确度。我无法弄清楚我做错了什么。

【问题讨论】：

能否将ImageDataGenerator 也添加到您的帖子中？

将rescale=1/255. 参数传递给ImageDataGenerator，然后报告在进行@desertnaut 建议的更改后获得的准确性。

Cifar 图像为 32x32，您使用的初始内核为 11x11。你正在丢失很多信息。将 32x32 调整为 227x227 不是一个好主意。

@dgumo 即使实施了这两项更改，情况也没有改变，我想将图像调整到如此大的值是罪魁祸首。

@NevinBaiju 我指出了你方法中的问题——那些不是解决方案:-)

【参考方案1】：

对于初学者，您还需要将relu 激活扩展到您的两个中间密集层；像现在这样：

model.add(Dense(units=4096))
model.add(Dense(units=4096))

即使用线性激活（默认），可以证明它们都等价于一个简单的线性单元（Andrew Ng 在他的第一门 DL 专业课程中致力于 a whole lecture 对此进行了解释）。将它们更改为：

model.add(Dense(units=4096, activation='relu'))
model.add(Dense(units=4096, activation='relu'))

检查 SO 线程 Why must a nonlinear activation function be used in a backpropagation neural network?，以及 AlexNet 实现 here 和 here 以确认这一点。

【讨论】：

我应用了它，但准确性没有提高。我认为将 32*32 图像调整为 227*227 可能是该模型表现不佳的原因。

@NevinBaiju 现在应该清楚了，建议的修改是绝对必要的（尝试在修改其他内容时将其省略），但当然还不够，因为可能您的实施有其他问题。因此，可以说它至少值得一票（即“有帮助，但不能完全自行解决问题”）......