Keras 查找微调模型的顶层

我想使用一个基于MobileNetV2（在Keras上预先训练）的微调模型。但我需要添加顶层，以便将我的图像分为两类。我想知道如何选择我需要的层的“架构”？ 在一些例子中，人们使用SVM分类器或具有特定数量神经元的密集层序列作为顶层

以下代码（默认情况下）有效：

        self.base_model = base_model
        x = self.base_model.output
        x = GlobalAveragePooling2D()(x)
        x = Dense(1024, activation='relu')(x)
        predictions = Dense(2, activation='softmax')(x)

---

有没有找到最佳解决方案的方法

我建议

退出

或

批量标准化

。“稠密”很容易被过度拟合，因为它在一个层中有太多的参数。这两个层都可以很好地正则化模型

GlobalAveragePoolig2D

是一个很好的选择，因为它本身也起着正则化器的作用

---

我还建议，对于二进制分类问题，您可以将输出层更改为

density（1，activation='sigmoid'）

以仅预测p（class1），在这里您可以通过1-p（class1）计算p（class2）。在这种情况下，您应该使用的损失是

二进制交叉熵

而不是

分类交叉熵

我建议您选择

退出

或

批量标准化

。“稠密”很容易被过度拟合，因为它在一个层中有太多的参数。这两个层都可以很好地正则化模型

GlobalAveragePoolig2D

是一个很好的选择，因为它本身也起着正则化器的作用

---

我还建议，对于二进制分类问题，您可以将输出层更改为

density（1，activation='sigmoid'）

以仅预测p（class1），在这里您可以通过1-p（class1）计算p（class2）。在这种情况下，您应该使用的损失是

二进制交叉熵

而不是

分类交叉熵

我认为您的解决方案很好，真正的力量在于预训练模型。像你一样，2或3个密集的层应该很好。它们是我选择神经元数量的标准吗？（减少数字，增加…）这是参数调整，您必须测试并查看。Chompakorn的回答实际上比我的评论要好。我认为你的解决方案很棒，真正的力量在于预先训练的模型。像你一样，2或3个密集的层应该很好。它们是我选择神经元数量的标准吗？（减少数字，增加…）这是参数调整，您必须测试并查看。Chompakorn的回答实际上比我的评论要好。谢谢你的回答，你对设置辍学参数有什么建议？我是否使用GridSearch并选择最佳？如你所说更改输出层将真正提高我的神经网络的准确性？你能告诉我为什么吗？这不能保证进步。首先，你需要知道调整超参数对于深度学习来说是非常困难的，很多研究人员都在研究这个问题。因此，在大多数情况下，这是一个反复试验的问题。但是，你可以寻找与你相关的其他作品，并相应地调整他们的模型，因为他们的模型经过了实验，并给出了很好的结果。使用GridSearch是找到最佳超参数的方法之一，即使谷歌也可以这样做：）（例如，检查EfficientNet）。但是，您应该记住，您监控的是最佳验证性能，而不是培训性能。感谢您的回答，您对设置退出参数有何建议？我是否使用GridSearch并选择最佳？如您所说更改输出层将真正提高我的神经网络的准确性？你能告诉我为什么吗？这不能保证进步。首先，你需要知道调整超参数对于深度学习来说是非常困难的，很多研究人员都在研究这个问题。因此，在大多数情况下，这是一个反复试验的问题。但是，你可以寻找与你相关的其他作品，并相应地调整他们的模型，因为他们的模型经过了实验，并给出了很好的结果。使用GridSearch是找到最佳超参数的方法之一，即使谷歌也可以这样做：）（例如，检查EfficientNet）。但是，您应该记住，您正在监视最佳验证性能，而不是培训性能。