CNN模型精度低

Question

我目前正在研究一种对食物图像进行分类的CNN模型。到目前为止，我已经设法建立了一个正常运作的CNN，但我想提高这种能力。对于数据集，我使用了Kaggle中的一些图像，而我自己的集合中使用了一些图像。

以下是有关数据集的一些信息：

1. 有91类食物图像。
2. 每个班级有大约500至650张图像。
3. 手动清理数据集并检查无关或质量差的图像（照片大小不同）。

这是我的CNN模型：

classifier = Sequential()

def cnn_layer_creation(classifier):

classifier.add(InputLayer(input_shape=[224,224,3]))

classifier.add(Conv2D(filters=32,kernel_size=5,strides=1,padding='same',activation='relu',data_format='channels_first'))
classifier.add(MaxPooling2D(pool_size=5,padding='same'))

classifier.add(Conv2D(filters=50,kernel_size=5,strides=1,padding='same',activation='relu'))
classifier.add(MaxPooling2D(pool_size=5,padding='same'))

classifier.add(Conv2D(filters=80,kernel_size=5,strides=1,padding='same',activation='relu',data_format='channels_last'))
classifier.add(MaxPooling2D(pool_size=5,padding='same'))

classifier.add(Dropout(0.25))
classifier.add(Flatten())
classifier.add(Dense(64,activation='relu'))
classifier.add(Dropout(rate=0.5))
classifier.add(Dense(91,activation='softmax'))

# Compiling the CNN
classifier.compile(optimizer="RMSprop", loss = 'categorical_crossentropy', metrics = ['accuracy'])
data_initialization(classifier)

def data_initialization(classifier):

# Part 2 - Fitting the CNN to the images

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255,
                                  shear_range = 0.2,
                                  zoom_range = 0.2,
                                  horizontal_flip = True)

training_set = train_datagen.flow_from_directory('food_image/train',
                                                 target_size = (224, 224),
                                                 batch_size = 100,
                                                 class_mode = 'categorical')

test_set = test_datagen.flow_from_directory('food_image/test',
                                            target_size = (224, 224),
                                            batch_size = 100,
                                            class_mode = 'categorical')

classifier.fit_generator(training_set,
                         steps_per_epoch = 100,
                         epochs = 100,
                         validation_data = test_set,
                         validation_steps = 100)

classifier.save("brynModelGPULite.h5")
classifier.summary()

def main():

cnn_layer_creation(classifier)

在GPU上进行训练（nVidia 980M）

不幸的是，准确度没有超过10％。我尝试过的事情是：

1. 增加时代数量。
2. 更改优化程序（ADAM，RMSPROP）。
3. 更改激活功能。
4. 减少图像输入大小。
5. 增加批量大小。
6. 将过滤器大小更改为32,64,128。

这些都没有提高准确性。

任何人都可以对我如何提高模型精度有所启发吗？

Answer 1

您只能扩充训练数据。

以下代码

test_datagen = ImageDataGenerator(rescale = 1./255,
                                      shear_range = 0.2,
                                      zoom_range = 0.2,
                                      horizontal_flip = True)

应该

test_datagen = ImageDataGenerator(rescale = 1./255)

Answer 2

首先，我假设您正在从头开始构建模型。因为这样的训练在较少的时期（我假设你不会训练你的模型超过1000个时期），因为网络不会完全演变，所以没有帮助，因为当训练时，这些表示在如此少的时代内不会被完全学习从头开始的模型。您可以尝试将时期数增加到10000左右并查看。相反，为什么不尝试使用相同的转移学习，另外你也可以使用特征提取和微调或两者都使用训练有素的网络。作为参考，您可以查看Francois Chollet在题为“使用Python进行深度学习”一书中的第5章。

Answer 3

我和另一个数据集有同样的问题，我用globalAveragepooling替换了flatten图层，它解决了这个问题。

我不确定这对你有用，但由于我的模型有类似于你的模型，我认为这可以帮到你。但不同的是，我训练我的模型为3个班级。