Skip to main content
 首页 » 编程设计

python之使用 Keras 微调 ResNet50之val_loss 不断增加

2024年12月31日9jiqing9006

我正在尝试使用带有 tensorflow 后端的 keras 自定义 resnet50。然而,在训练后,我的 val_loss 不断增加。尝试不同的学习率和批量大小并不能解决问题。

使用不同的预处理方法,例如重新缩放或在 ImageDataGenerator 中使用 resnet50 的 preprocess_input 函数也没有解决问题。

这是我使用的代码

导入和预处理数据:

from keras.preprocessing.image import ImageDataGenerator 
from keras.applications.resnet50 import preprocess_input, decode_predictions 
 
IMAGE_SIZE = 224 
BATCH_SIZE = 32 
 
num_classes = 27 
 
main_path = "C:/Users/aaron/Desktop/DATEN/data" 
 
gesamt_path = os.path.join(main_path, "ML_DATA") 
labels = listdir(gesamt_path) 
 
data_generator = ImageDataGenerator(#rescale=1./255,  
                                    validation_split=0.20, 
                                   preprocessing_function=preprocess_input) 
 
train_generator = data_generator.flow_from_directory(gesamt_path, target_size=(IMAGE_SIZE, IMAGE_SIZE), shuffle=True, seed=13, 
                                                     class_mode='categorical', batch_size=BATCH_SIZE, subset="training") 
 
validation_generator = data_generator.flow_from_directory(gesamt_path, target_size=(IMAGE_SIZE, IMAGE_SIZE), shuffle=False, seed=13, 
                                                     class_mode='categorical', batch_size=BATCH_SIZE, subset="validation") 

定义和训练模型

img_width = 224 
img_height = 224  
 
model = keras.applications.resnet50.ResNet50() 
 
classes = list(iter(train_generator.class_indices)) 
model.layers.pop() 
for layer in model.layers: 
    layer.trainable=False 
last = model.layers[-1].output 
x = Dense(len(classes), activation="softmax")(last) 
finetuned_model = Model(model.input, x) 
finetuned_model.compile(optimizer=Adam(lr=0.001), loss='categorical_crossentropy', metrics=['accuracy']) 
for c in train_generator.class_indices: 
    classes[train_generator.class_indices[c]] = c 
finetuned_model.classes = classes 
 
 
 
earlystopCallback = keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=8, verbose=1, mode='auto') 
tbCallBack = keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=0, write_graph=True, write_images=True) 
 
history = finetuned_model.fit_generator(train_generator, 
                    validation_data=validation_generator,  
                    epochs=85, verbose=1,callbacks=[tbCallBack,earlystopCallback]) 

请您参考如下方法:

  1. 您需要匹配用于预训练网络的预处理,而不是自己的预处理。仔细检查网络输入张量,即输入的 channel 平均值是否与用于预训练网络的数据相匹配。

  2. 您的新数据可能与用于预训练网络的数据有很大不同。在这种情况下,所有 BN 层都会将其预训练的均值/方差迁移到新值,因此增加损失也是可能的(但最终损失应该会减少)。