ウォーカーasは予備訓練モデルvg 16を使って分類し、損失と正確さは変わらない。


問題のkersは予備訓練モデルvg 16を使って分類し、損失と正確さは変わらない。
詳細:kersを使って二つのタイプのデータを訓練して、正負の割合は1:3で、vgg 16の後にいくつかのフルリンクを追加して初期化しました。そして、すべての層にトレーニングを許可します。
でも精度はずっと0.75です。
データの前処理はフォーマットが正しいことを確認しました。
モデルの中のreluをsigmoidに変更すれば正常です。
データ処理プログラム

import os
import pickle
import numpy as np
 
import DataFile
import SelectiveSearch
import Generator
import IoU
import Model_CRNN_VGG16
 
from keras.preprocessing.image import ImageDataGenerator
from keras.callbacks import ModelCheckpoint
 
def data_generator(gen1,gen0):
 while True:
 data_pos = next(gen1)
 data_neg = next(gen0)
 ret_X = np.vstack((data_pos[0],data_neg[0]))
 ret_y = np.vstack((data_pos[1],data_neg[1]))
 
 index = np.arange(ret_y.shape[0])
 np.random.shuffle(index)
 
 ret_X = ret_X[index, :, :, :] # X_train    ,y_train     
 ret_y = ret_y[index]
 yield ret_X,ret_y
 
if __name__ == "__main__":
 type = "train"
 
 #      ,  mini-batch  32    (  VOC 20   ),96    (background)
 RESIZE = (224, 224)
 path = "category_images"
 categories = os.listdir(path)
 categories.append('background')
 print(categories)
 
 train_1_datagen = ImageDataGenerator(
 rescale=1.0/255,
 #shear_range=0.2,
 #zoom_range=0.2,
 horizontal_flip=True)
 
 train_1_generator = train_1_datagen.flow_from_directory(
 'category_images',
 target_size=RESIZE,
 batch_size=32,
 classes = categories)
 
 train_0_datagen = ImageDataGenerator(
 rescale=1.0 / 255,
 #shear_range=0.2,
 #zoom_range=0.2,
 horizontal_flip=True)
 
 train_0_generator = train_0_datagen.flow_from_directory(
 'category_background',
 target_size=RESIZE,
 batch_size=32*3,
 classes=categories)
 
 generator = data_generator(train_1_generator,train_0_generator)
 
 #     
 model = Model_CRNN_VGG16.CRNN_Model(input_shape=(*RESIZE,3))
 cnn = model.CNN(len(categories))
 if os.path.exists('weights-cnn.hdf5'):
 cnn.load_weights('weights-cnn.hdf5')
 if type == "train":
 checkpoint = ModelCheckpoint('weights-cnn.hdf5',save_weights_only=True)
 cnn.fit_generator(generator = generator,steps_per_epoch=200,epochs=1000,callbacks=[checkpoint])
 else:
 img = next(generator)[0]
 result = cnn.predict(img)
 print(result)
 
 #   SVM
 #       
 #   
モデルプログラム:

from keras.applications.vgg16 import VGG16
from keras.layers import *
from keras.models import Model
from keras.optimizers import SGD,Adam
 
class CRNN_Model():
 def __init__(self,input_shape,trainable=True):
 vgg16 = VGG16(include_top=False,weights="imagenet", input_shape=input_shape)
 for layer in vgg16.layers:
  layer.trainable = trainable
 self.base_model = vgg16
 
 def CNN(self,classes):
 img_input = self.base_model.input
 x = self.base_model.get_layer('block5_conv3').output
 
 x = Flatten(name='crnn_flatten')(x)
 
 x = Dense(512,activation='relu', kernel_initializer='he_normal', name='crnn_fc1')(x)
 x = Dense(512,activation='relu', kernel_initializer='he_normal',name='crnn_fc2')(x)
 x = Dense(classes, activation='softmax', kernel_initializer='he_normal', name='crnn_predictions')(x)
 
 model = Model(img_input,x)
 
 sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
 adam = Adam()
 model.compile(optimizer=adam,
   loss='categorical_crossentropy',
   metrics=['accuracy'])
 
 model.summary()
 return model
if __name__ == "__main__":
 pass
補足知識:val_accはずっと変わらないです
val_lossが変わらない理由
前に、kersでLSTMモデルを作成して、写真の分類をしました。自分でテストセットとトレーニングセットを分けましたが、結果は各epochトレーニングの正確性が変わりませんでした。

探索する
私はずっと私のデータの読み取り方法が間違っていると思っていましたが、この点からずっと着手しています。
1.データセットサンプルの各カテゴリの数の差が大きい
このような状況がないなら、第二点を見てください。
2.トレーニングセットとデータセットは手動で区分され、コード自動分割に変更されます。
コードは以下の通りです
X_トレイtest,Y_トレイtest=train_test_スプリット(data、labels、test_)size=0.4、ラドム_state=42)`
上記の方法はいくつかのepochを多く設置し、忍耐強く待つ必要があります。もしまだテストの正確性が変わらないなら、第二の原因かもしれません。
3.トレーニングモデルが適用されていない、またはモデルのパラメータが不適切である、またはアルゴリズムを変更することを提案する。
もし最初の方法がだめだったら、アルゴリズムがこのデータセットに合わないかもしれません。混淆行列を印刷して見てもいいです。分類エラー率が高すぎるのではないですか?たとえば、私のデータセットを二種類に分類して、第二類は全部第一類に分けられます。
以上のような浅はかな話をkersasは予備訓練モデルvgg 16を使って分類しました。損失と正確さは変わらないです。小編纂が皆さんに共有した内容は全部です。参考にしてほしいです。皆さんも多くの支援をお願いします。