Keras——不从预先训练模型的转移值学习的分类器

我目前正在尝试使用一个预先培训过的网络，并在上进行测试。 最初，我使用VGG19，只是在最后对分类器进行了微调，以适应我的120个类。我让所有层次的人都可以通过更深入的训练来提高表现。问题是这个模型非常慢（即使我让它运行一个晚上，我只得到了几个时代，精度达到45%左右——我有一个GPU GTX 1070）

然后，我的想法是冻结这个模型中的所有层，因为我只有10公里的图像，只训练最后几个致密层，但它仍然不是很快

观看之后（大约2分钟30秒），我决定用InceptionResnetv2复制传输值的原理

我处理了每一张图片，并用下面的代码将输出保存在numpy矩阵中

#加载预先训练的模型+冻结层
模型=applications.inception\u resnet\u v2.inception resnetv2(
include_top=False，
权重='imagenet'，
pooling='avg'）
对于model.layers中的图层：
layer.trainable=错误
#特征提取与保存
a=正确
对于glob.glob（'train/resized/*.jpg'）中的文件名：
name\u img=os.path.basename（文件名）[：-4]
类别=标签[标签[“id”]==名称[品种]。值[0]
input\u img=np.expand\u dims（np.array（Image.open（filename）），0）
pred=模型预测（输入值）
如果是：
X=np.数组（pred）
y=np.数组（类_ux）
a=错误
其他：
X=np.vstack（（X，np.array（pred）））
y=np.vstack（（y，类_uux））
np.savez_compressed（'preprocessed.npz'，X=X，y=y）

X是一个形状矩阵（102221536），y是（10222，1）

之后，我设计了我的分类器（几个拓扑），我不知道为什么它不能执行任何学习

#只需将一个热编码标签正确编码到（10222120）
label_binarizer=sklearn.preprocessing.LabelBinarizer（）
y=标签二值化器。拟合变换（y）
模型=顺序（）
添加（密集（512，输入尺寸=X.shape[1]））
#模型添加（密集（2048，activation=“relu”））
#模型。添加（辍学率（0.5））
#模型.添加（密度（256））
model.add（密集型（120，activation='softmax'））
model.compile(
loss=“分类的”，
optimizer=“Nadam”#我试过几个
指标=[“准确度”]
)
模型拟合（X，y，历元=100，批量大小=64，
回调=[early_stop]，verbose=1，
洗牌=真，验证\u分割=0.10）

您可以在下面找到模型的输出：

对9199个样本进行训练，对1023个样本进行验证
纪元1/100
9199/9199[================================================2s 185us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137
纪元2/100
9199/9199[==========================================1s 100us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137
纪元3/100
9199/9199[==========================================1s 98us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137
纪元4/100
9199/9199[=============================================1s 96us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137
纪元5/100
9199/9199[==========================================1s 99us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137
纪元6/100
9199/9199[=============================================1s 96us/步-损耗：15.9639-附件：0.0096-val_损耗：15.8975-val_附件：0.0137

我试图改变拓扑结构、激活功能、添加辍学，但没有任何改进

我不知道我这样做有什么不对。X矩阵是否不正确？难道不允许只使用预先训练好的模型作为特征提取器，然后使用第二个模型进行分类吗

非常感谢您的反馈， 当做

---

Nicolas

在将图像数组馈送到模型之前，需要调用

预处理输入

。它将

input\u img

的值从[0255]标准化为[-1,1]，这是

InceptionResNetV2

所需的输入范围

input\u img=np.expand\u dims（np.array（Image.open（filename）），0）
input\u img=applications.inception\u resnet\u v2.preprocess\u input（input\u img.astype（'float32'））
pred=模型预测（输入值）

非常感谢您！你为我节省了很多训练时间。