keras를 사용하여 VGG 네트워크에서 약간의 실험을하고 있습니다. 내가 사용하는 데이터 세트는 장미, 해바라기, 민들레, 튤립 및 데이지를 포함한 5 개 클래스의 꽃 데이터 세트입니다.keras가있는 꽃 데이터 집합에 vgg를 적용하고 유효성 검사 손실이 변경되지 않음
알아낼 수없는 것이 있습니다.작은 CNN 네트워크 (아래 코드에서 VGG가 아님)를 사용했을 때 신속하게 수렴되어 약 8 개의 신기원 이후 약 75 %의 유효성 검사 정확도에 도달했습니다.
그런 다음 VGG 네트워크 (코드의 주석 처리 된 영역)로 전환했습니다. =================
신기원 1/50 401분의 402 [: 네트워크의 손실과 정확성 그냥 출력 뭔가처럼 전혀 변경하지 않은 =============] - 199s의 495ms/스텝 - 손실 : 13.3214 - ACC : 0.1713 - val_loss : 13.0144 - val_acc : 0.1926
에포크 50분의 2 401분의 402 [== ========================================================================= 1903 473ms/단계 손실 : 13.3473 - acc : 0.1719 - val_loss : 13.0144 - val_acc : 0.1926
에포크 50분의 3 401분의 402 [==============================] - 204 С에서 508ms/스텝 - 손실 : 13.3423 - acc : 0.1722 - val_loss : 13.0144 - val_acc : 0.1926
신기원 4/50 402/401 [===========] 190s 472ms/step - 손실 : 13.3522 - acc : 0.1716 - val_loss : 13.0144 - val_acc : 0.1926
Epoch 5/50 402/401 [==================== ========] - 189s의 471ms/스텝 - 손실 : 13.3364 - ACC : 0.1726 - val_loss : 13.0144 - val_acc : 0.1926
에포크 50분의 6 401분의 402 [======= =========================== - 189 초 471ms/단계 손실 : 13.3453 - acc : 0.1720 - val_loss : 13.0144 - val_acc : 0.1926 Epoch 7/50
에포크 7/50 402/401 [=============] - 189 초 471ms/단계 손실 : 13.3503 - ACC : 0.1717 - val_loss : 13.0144 - val_acc : 0.1926
PS : 나는 (tensorflow 슬림과 place365 데이터 세트)뿐만 아니라 다른 데이터 세트 및 프레임 워크와이 실험을했다. 결과는 동일합니다. 저는 VGG 논문 (Simonyan & Zisserman)을 살펴 봤습니다. 다른 네트워크 구조를 가진 무대 A에서 무대 E와 같이 VGG와 같은 깊은 네트워크를 훈련하는 데는 여러 단계가 있다고합니다. 내 VGG 네트워크를 VGG 논문에서 설명한 것과 같은 방식으로 교육해야하는지 확신 할 수 없습니다. 그리고 다른 온라인 코스도이 복잡한 교육 과정을 언급하지 않았습니다. 누구나 아이디어가 있습니까?
내 코드 : 해결
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 = 224, 224
train_data_dir = './data/train'
validation_data_dir = './data/val'
nb_train_samples = 3213
nb_validation_samples = 457
epochs = 50
batch_size = 8
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
# random cnn model:
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(5))
model.add(Activation('softmax'))
# vgg model:
'''model = Sequential([
Conv2D(64, (3, 3), input_shape=input_shape, padding='same',
activation='relu'),
Conv2D(64, (3, 3), activation='relu', padding='same'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(128, (3, 3), activation='relu', padding='same'),
Conv2D(128, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(256, (3, 3), activation='relu', padding='same',),
Conv2D(256, (3, 3), activation='relu', padding='same',),
Conv2D(256, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Flatten(),
Dense(256, activation='relu'),
Dense(256, activation='relu'),
Dense(5, activation='softmax')
])'''
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
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('flowers.h5')