我试图将一组蜜蜂图像分为两类 - 大黄蜂和蜜蜂,结果格式是 CSV 文件,如 -
id,bumble_bee,honey_bee
20000,0.75,0.25.
我有一个正在运行的模型,但准确性非常低,我尝试了很多不同的方法,例如添加像 VGG16 或 InceptionV3 这样的基础模型、调整纪元、调整优化器类型......但我只是还没有注意到了很大的差异。我所有的改变仍然导致大约 70-79% 的准确率。
如何提高模型的准确性?
这是我的代码:
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 200, 200
train_data_dir = 'data/train/'
validation_data_dir = 'data/validation/'
nb_train_samples = 2978
nb_validation_samples = 991
epochs = 50
batch_size = 25
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer=optimizers.SGD(lr=1e-4, momentum=0.9),
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
model.save_weights('thirdtry.h5')
pred = model.predict(pred_images)
np.savetxt('resultsfrom3no.csv',pred)
这是其输出的示例:
找到属于 2 个类别的 2978 张图像。 找到属于 2 个类别的 991 张图片。
纪元 1/50 119/119 [================================] - 238s 2s/步 - 损失:0.5570 - acc:0.7697 - val_loss:0.5275 - val_acc:0.7908
纪元 2/50 119/119 [================================] - 237s 2s/步 - 损失:0.5337 - acc:0.7894 - val_loss:0.5270 - val_acc:0.7908
纪元 3/50 119/119 [================================] - 282s 2s/步 - 损失:0.5299 - acc:0.7939 - val_loss:0.5215 - val_acc:0.7908
使用图像网络预训练的 VGGNet 进行特征提取,并在其上使用密集层构建分类器。您应该将图像大小(宽 x 高)设置为原始网络输入。
由于只有两个类,因此最好使用二元类模式作为数据生成器,二元交叉熵作为损失函数,sigmoid 作为最终激活函数。
首先尝试不使用数据增强进行快速测试,然后使用数据增强来查看是否有帮助。
训练分类器网络时,从较高的学习率(例如 0.001)开始,如果 acc 值被固定,则尝试较低的学习率(1e-4、1e-5 等...)。
同样在您的代码中,降低学习率并使用动量值可能会有所帮助。