Keras圖像分類驗證精度更高

我正在運行圖像分類模型，我的問題是我的驗證準確度高於我的訓練準確率。數據（火車/驗證）隨機設置。我正在使用InceptionV3作爲預先訓練好的模型。準確度和驗證準確度之間的比率保持相同超過100個時期。
我嘗試了較低的學習率和一個額外的批量標準化層。Keras圖像分類驗證精度更高

有沒有人有什麼想法看什麼？我會感謝一些幫助，謝謝！

base_model = InceptionV3(weights='imagenet', include_top=False) 
# add a global spatial average pooling layer 
x = base_model.output 
x = GlobalAveragePooling2D()(x) 
# add a fully-connected layer 
x = Dense(468, activation='relu')(x) 
x = Dropout(0.5)(x) 

# and a logistic layer 
predictions = Dense(468, activation='softmax')(x) 

# this is the model we will train 
model = Model(base_model.input,predictions) 

# first: train only the top layers (which were randomly initialized) 
# i.e. freeze all convolutional InceptionV3 layers 
for layer in base_model.layers: 
    layer.trainable = False 

# compile the model (should be done *after* setting layers to non-trainable) 
adam = Adam(lr=0.0001, beta_1=0.9) 
model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy']) 

# train the model on the new data for a few epochs 
batch_size = 64 
epochs = 100 
img_height = 224 
img_width = 224 
train_samples = 127647 
val_samples = 27865 

train_datagen = ImageDataGenerator(
    rescale=1./255, 
    #shear_range=0.2, 
    zoom_range=0.2, 
    zca_whitening=True, 
    #rotation_range=0.5, 
    horizontal_flip=True) 
test_datagen = ImageDataGenerator(rescale=1./255) 

train_generator = train_datagen.flow_from_directory(
    'AD/AutoDetect/', 
    target_size=(img_height, img_width), 
    batch_size=batch_size, 
    class_mode='categorical') 

validation_generator = test_datagen.flow_from_directory(
    'AD/validation/', 
    target_size=(img_height, img_width), 
    batch_size=batch_size, 
    class_mode='categorical') 

# fine-tune the model 
model.fit_generator(
    train_generator, 
    samples_per_epoch=train_samples // batch_size, 
    nb_epoch=epochs, 
    validation_data=validation_generator, 
    nb_val_samples=val_samples // batch_size)

找到127647屬於468個類的圖像。
找到27865個屬於468個類的圖像。
Epoch 1/100
2048/1994 [==============================] - 48s - 損失：6.2839 - acc：0.0073 - val_loss：5.8506 - val_acc：0.0179
Epoch 2/100
2048/1994 [=========================== ===] - 44s - 損失：5.8338 - acc：0.0430 - val_loss：5.4865 - val_acc：0.1004
Epoch 3/100
2048/1994 [================ ==============] - 45s - 損失：5.5147 - acc：0.0786 - val_loss：5.1474 - val_acc：0.1161
Epoch 4/100
2048/1994 [===== =========================] - 44s - 損失：5.1921 - acc：0.1074 - val_loss：4.8049 - val_acc：0.1786

來源

2017-06-17 Skrai2004

你能提供更多的細節，爲什麼你縮放，翻轉和美白你的數據？擁有超過10萬張圖片，您似乎有足夠的數據至少可以嘗試不增加。除此之外，你可以給你的完全連接層增加一點複雜性。我會嘗試1024個神經元或更大，並將擺脫Dropout/BatchNorm。 – petezurich

只是爲了完整性：適當的圖像尺寸是299x299px。 224用於VGG。看到這裏：https://keras.io/applications/ – petezurich

see this answer

這occours becauce你在你的模型，防止精度從訓練過程中要添加1.0輟學層。

來源

2018-02-26 17:43:12

Keras圖像分類驗證精度更高

回答

相關問題