Deep learning 如何使用keras微调inception v3来进行多类分类？

我想使用Keras使用Kaggle.com上的猫狗数据集进行两类图像分类。 但是我对param“class_mode”有一些问题，如下代码所示。 如果我使用“二进制”模式，准确率约为95%，但如果我使用“分类”模式，准确率异常低，仅高于50%

二进制模式意味着最后一层只有一个输出，并使用sigmoid激活进行分类。样本的标签仅为一个整数

“分类”是指最后一层中的两个输出，并使用softmax激活进行分类。样本的标签是一种热格式，例如（1,0），（0,1）

我认为这两种方法应该有相似的结果。有人知道差异的原因吗？非常感谢

导入操作系统
导入系统
导入glob
导入argparse
将matplotlib.pyplot作为plt导入
来自keras导入版本__
从keras.applications.inception\u v3导入InceptionV3，预处理\u输入
从keras.models导入模型
从keras.layers导入稠密、全局平均池2D
从keras.preprocessing.image导入ImageDataGenerator
从keras.optimizers导入新加坡元

在这里设置一些参数

IM_WIDTH，IM_HEIGHT=299299#用于接收的固定大小v3
NB_时代=1
蝙蝠大小=32
FC_大小=1024
NB_IV3_层_至_冻结=172
损耗模式=“二进制交叉熵”
def get_nb_文件（目录）：
“”“通过递归搜索目录获取文件数”“”
如果不存在os.path.exists（目录）：
返回0
cnt=0
对于r、dir和os.walk（目录）中的文件：
对于目录中的dr：
cnt+=len（glob.glob（os.path.join（r，dr+“/*”））
返回cnt

转移并学习，将重量保持在

def设置到传输学习（型号、基本型号）：
“”“冻结所有层并编译模型”“”
对于基本模型层中的层：
layer.trainable=错误
compile（optimizer='rmsprop'，loss=loss_mode，metrics=['accurity']）

添加最后一层进行两类分类

def添加新的最后一层（基本模型、nb类）：
“”“将最后一层添加到convnet
Args：
基本型：不包括顶部的keras型
nb#U类：#类
返回：
具有最后一层的新keras模型
"""
x=基本模型输出
x=全局平均池2D（）（x）
x=密集（FC_大小，激活='relu'）（x）#新FC层，随机初始
如果args.class_mode==“binary”：
预测=密集（1，激活='sigmoid'）（x）#新的softmax层
其他：
预测=密集（nb_类，激活='softmax'）（x）#新的softmax层
模型=模型（输入=基本模型。输入，输出=预测）
回归模型

冻结底部NB_IV3_层并重新培训剩余的顶部层， 和微调重量

def设置到微调（型号）：
“”“冻结底部NB_IV3_层，并重新训练剩余的顶部层。”。
注：NB_IV3_层对应于inceptionv3拱门中的前2个起始块
Args：
模型：keras模型
"""
对于模型中的层。层[：NB_IV3_layers_TO_FREEZE]：
layer.trainable=错误
对于模型中的层。层[NB_IV3_层到_冻结：]：
layer.trainable=True
compile（optimizer=“rmsprop”，loss=loss\u模式，metrics=['accurity']）
#compile（优化器=SGD（lr=0.0001，动量=0.9），loss='classifical\u crossentropy'，metrics=['accurity']）
def序列（args）：
“”“使用迁移学习和微调在新数据集上训练网络”“”
nb\u train\u samples=获取nb\u文件（args.train\u dir）
nb_classes=len（glob.glob（args.train_dir+“/*”））
nb_val_samples=获取nb_文件（args.val_dir）
nb_epoch=int（参数nb_epoch）
批次大小=整数（参数为批次大小）
打印（“nb_类：{}”。格式（nb_类））

数据准备

train_datagen=ImageDataGenerator(
预处理_函数=预处理_输入，
旋转范围=30，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真
)
test_datagen=ImageDataGenerator(
预处理_函数=预处理_输入，
旋转范围=30，
宽度\偏移\范围=0.2，
高度\位移\范围=0.2，
剪切范围=0.2，
缩放范围=0.2，
水平翻转=真
)
train_generator=来自目录的train_datagen.flow_(
args.train_dir，
目标屏幕大小=（屏幕宽度、屏幕高度），
批次大小=批次大小，
#class_mode='binary'
class\u mode=args.class\u mode
)
验证\u生成器=来自\u目录的测试\u datagen.flow\u(
args.val_dir，
目标屏幕大小=（屏幕宽度、屏幕高度），
批次大小=批次大小，
#class_mode='binary'
class\u mode=args.class\u mode
)

设置模型

base_model=InceptionV3（weights='imagenet'，include_top=False）#include_top=False排除最终FC层
模型=添加新的最后一层（基本模型，nb类）

迁移学习

setup\u to\u transfer\u learn（模型、基本模型）
#model.summary（）
历史\u tl=model.fit\u生成器(
列车发电机，
纪元=nb_纪元，
每个历元的步长=nb\U序列样本//BAT\U尺寸，
验证数据=验证生成器，
验证步骤=nb\U val\U样本//BAT\U大小）

微调

设置到微调（型号）
历史记录\u ft=model.fit\u生成器(
列车发电机，
每个历元的步长=nb\U序列样本//BAT\U尺寸，
纪元=nb_纪元，
验证数据=验证生成器，
验证步骤=nb\U val\U样本//BAT\U大小）
model.save（args.output\u model\u文件）
如果args.plot：
绘图训练（历史）
def plot_培训（历史记录）：
acc=历史。历史['acc']
val_acc=历史。历史['val_acc']
损失=历史。历史['loss']
val_loss=历史。历史['val_loss']
历元=范围（len（acc））
plt.绘图（时代，附件，右）
plt.绘图（时代，val_acc，'r'）
产品名称（“培训和验证准确性”）
plt.图（）
plt.绘图（年代、损失、r.）
plt.绘图（时代、价值损失、“r-”）
产品名称（“培训和验证损失”）
plt.show（）

主要职能

如果名称=“\uuuuu main\uuuuuuuu”：
a=argparse.ArgumentParser（）
A.
keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=None, decay=0.0)