迁移学习之resnet50——解决过拟合及验证集上准确率上不去问题

77 阅读 0 评论 51 点赞

我是靠谱客的博主机智猫咪，最近开发中收集的这篇文章主要介绍迁移学习之resnet50——解决过拟合及验证集上准确率上不去问题，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

keras之resnet50迁移学习做分类

问题1描述：迁移学习用resnet50做分类，验证集上的准确率一直是一个大问题，有时候稳定在一个低的准确率，我的一次是一直在75%上下波动。

问题2描述：resnet50迁移学习，训练集上的准确率一直在攀升，但验证集上的准确率一直上不去，一定程度上出现了过拟合现象，但加很多的BN、dropout、l1和l2正则化手段都不能有效的解决问题。

***问题1答案：***这个问题网络设计没有问题的话，一般出现在训练的数据量上，数据量偏少就会出现验证集上准确率一直很低。

问题2答案：

2020/10/12更新

根本原因可参考：https://github.com/keras-team/keras/pull/9965
解决方案：在这里插入图片描述其实就是加一个参数：layers=tf.keras.layers

下面的采坑可不看

--------------------------------------------

-----------------------------------------------

先来看一下一般resnet50迁移学习的网络设计：

 base_model = ResNet50(weights='imagenet', include_top=False,
                              input_shape=(image_size, image_size, 3), )
x = base_model.output
x = GlobalAveragePooling2D(name='average_pool')(x)
x = Flatten(name='flatten')(x)

这是一个典型的残差网络做迁移学习的套路，很多人都是这么做的，但真的有很高的准确率吗？反正我试了很多次，一直出现验证集上的准确率很低上不去的问题。不管怎么用防止过拟合的手段，效果都不是很好。后来研究BN层看了几篇相关的论文，发现包括resnet，inception等模型都包含了Batch Normalization层，如果使用pretrained参数进行finetune，这些BN层一般情况下使用了K.learning_phase的值作为is_training参数的默认值，因此导致训练的时候使用的一直是mini batch的平均值，由于trainable在finetune时候一般设置为false了导致整个layer 不会update，因此moving_meanvariance根本没有更新。导致你在test时用的moving_meanvariance全是imagenet数据集上的值。
参考链接：https://github.com/keras-team/keras/pull/9965
修正后的代码：

K.set_learning_phase(0)
base_model = ResNet50(weights='imagenet', include_top=False,
                              input_shape=(image_size, image_size, 3), )
 K.set_learning_phase(1)
x = base_model.output
x = GlobalAveragePooling2D(name='average_pool')(x)
x = Flatten(name='flatten')(x)
x = Dense(2048, activation='relu', kernel_regularizer=regularizers.l2(0.0001), )(x)
x = BatchNormalization()(x)
x = Dense(1024, activation='relu', kernel_regularizer=regularizers.l2(0.0001))(x)
x = BatchNormalization(name='bn_fc_01')(x)
predictions = Dense(num_classes, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)

这样更正后可以使得准确率有一个良好的上升，但优化的不够彻底，再有一些小的技巧可以让你的验证集上的准确率有更好的提升。这是一个试验，没有理论支持，如果上述的方案不能满足你对准确率的要求，不妨试试下面这个方案：

K.set_learning_phase(0)
Inp = Input((224, 224, 3))
base_model = ResNet50(weights='imagenet', include_top=False,
                              input_shape=(image_size, image_size, 3), )
 K.set_learning_phase(1)
 x = base_model(Inp)
x = GlobalAveragePooling2D(name='average_pool')(x)
x = Flatten(name='flatten')(x)
...
predictions = Dense(num_classes, activation='softmax')(x)
model = Model(inputs=Inp, outputs=predictions)

可看出区别了吗？下面代码将输入变更了，不用resnet的输出做输入，直接定义自己的输入，我有测试过，这样做确实对准确率有一定的提升。基本上resnet50迁移学习的坑就踩到这里。