Deep learning SPECT图数据集上的VGG16

我遵循Rajsha的指导：

我们的想法是将VGG16应用于我的数据集，该数据集由spectrograms组成，并让它在正常和异常两类之间做出决定

然而，模型没有学习，尽管我的顶层是0.5 val_acc

我做错什么了吗？我将在下面留下我的代码：

# dimensions of our images
img_width, img_height = 240, 240

train_data_dir = '/content/gdrive/My Drive/Melspec/melspecimages/train'
validation_data_dir = '/content/gdrive/My Drive/Melspec/melspecimages/val'

batch_size = 32
datagen = ImageDataGenerator(preprocessing_function=preprocess_input)

model_vgg = applications.VGG16(include_top=False, weights='imagenet',input_shape=(240,240,3))

model_vgg.trainable=False

train_generator_bottleneck = datagen.flow_from_directory(
        train_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary',
        shuffle=True)

validation_generator_bottleneck = datagen.flow_from_directory(
        validation_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary',
        shuffle=False) 

train_samples = 30272
validation_samples = 7584

bottleneck_features_train = model_vgg.predict_generator(train_generator_bottleneck, train_samples // batch_size)
np.save(open('/content/gdrive/My Drive/Melspec/spec_vgg_bottleneck_features_train.npy', 'wb'), bottleneck_features_train)

bottleneck_features_validation = model_vgg.predict_generator(validation_generator_bottleneck, validation_samples // batch_size)
np.save(open('/content/gdrive/My Drive/Melspec/spec_vgg_bottleneck_features_validation.npy', 'wb'), bottleneck_features_validation)

train_data = np.load(open('/content/gdrive/My Drive/Melspec/spec_vgg_bottleneck_features_train.npy', 'rb'))
train_labels = np.array([0] * (train_samples // 2) + [1] * (train_samples // 2))

validation_data = np.load(open('/content/gdrive/My Drive/Melspec/spec_vgg_bottleneck_features_validation.npy', 'rb'))
validation_labels = np.array([0] * (validation_samples // 2) + [1] * (validation_samples // 2))

model_top = Sequential()
model_top.add(Flatten(input_shape=train_data.shape[1:]))
model_top.add(Dense(256, activation='relu'))
model_top.add(Dropout(0.5))
model_top.add(Dense(1, activation='sigmoid'))

model_top.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

model_top.fit(train_data, train_labels,
        epochs=epochs, 
        batch_size=batch_size,
        validation_data=(validation_data, validation_labels))
```

#我们图像的尺寸
img_宽度，img_高度=240，240
train_data_dir='/content/gdrive/My Drive/Melspec/melspecimages/train'
验证\数据\目录='/content/gdrive/My Drive/Melspec/melspecimages/val'
批量大小=32
datagen=ImageDataGenerator（预处理函数=预处理输入）
model_vgg=applications.VGG16（包括_top=False、weights=imagenet、input_shape=（240240,3））
模型_vgg.可培训=错误
列车\u生成器\u瓶颈=来自\u目录的datagen.flow\u(
列车数据目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='binary'，
洗牌=真）
验证\u生成器\u瓶颈=来自\u目录的datagen.flow\u(
验证\u数据\u目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='binary'，
洗牌（错误）
列车样本=30272
验证样本=7584
瓶颈\u特征\u序列=模型\u vgg.预测\u生成器（序列\u生成器\u瓶颈，序列\u样本//批量大小）
np.save（打开（'/content/gdrive/My Drive/Melspec/spec_vgg_瓶颈_features_train.npy'，wb'），瓶颈_features_train）
瓶颈\u特征\u验证=模型\u vgg.预测\u生成器（验证\u生成器\u瓶颈，验证\u样本//批量大小）
保存（打开（'/content/gdrive/My Drive/Melspec/spec\u vgg\u瓶颈\u功能\u验证.npy'，wb'），瓶颈\u功能\u验证）
列车数据=np.load（打开（'/content/gdrive/My Drive/Melspec/spec_vgg_瓶颈_train.npy'，rb'））
train\u labels=np.array（[0]*（train\u samples//2）+[1]*（train\u samples//2））
validation_data=np.load（打开（'/content/gdrive/My Drive/Melspec/spec_vgg_瓶颈_features_validation.npy'，rb'））
validation\u labels=np.array（[0]*（validation\u samples//2）+[1]*（validation\u samples//2））
模型_top=顺序（）
model_top.add（展平（输入_shape=train_data.shape[1:]））
模型_top.add（密集（256，activation='relu'））
模型_顶部添加（辍学（0.5））
模型_top.add（密集型（1，激活='sigmoid'））
模型\u top.compile（优化器='rmsprop'，loss='binary\u crossentropy'，metrics=['accurity']）
模型顶部配合（列车数据、列车标签、，
时代，
批次大小=批次大小，
验证数据=（验证数据、验证标签））
```

找到了答案：我的标签错了

我在网上读到，我们应该在给train_生成器馈电时使用shuffle=True，但是类不是以相同的顺序混合的，只有文件，从而导致错误的标签

我切换到shuffle=False，并且class_模式=None

我还必须确保数据库中的文件在两个类中的编号相同，并且这些文件可以被我的批处理大小整除

---

希望这对其他初学者有帮助

您好，请尝试修改您的问题并将其发布到stackoverflow社区