在CIFAR-100上培训Keras MobileNetV2（从头开始）

我想在CIFAR-100上从头开始训练MobileNet V2，我得到了以下结果，它在一段时间后停止学习

这是我的密码。我希望看到至少60-70%的验证准确率，我想知道我是否必须在imagenet上对其进行预训练，还是因为CIFAR100仅为32x32x3？ 由于一些限制，我将Keras 2.2.4与tensorflow 1.12.0一起使用

from keras.applications.mobilenet_v2 import MobileNetV2
[..]

(x_train, y_train), (x_test, y_test) = cifar100.load_data()
x_train = x_train / 255
x_test = x_test / 255
y_train = np_utils.to_categorical(y_train, 100)
y_test = np_utils.to_categorical(y_test, 100)

input_tensor = Input(shape=(32,32,3))
x = MobileNetV2(include_top=False,
                  weights=None,
                  classes=100)(input_tensor)
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
x = Dense(512, activation='relu')(x)
preds = Dense(100, activation='softmax')(x)
model = Model(inputs=[input_tensor], outputs=[preds])

optimizer = Adam(lr=1e-3)
model.compile(loss="categorical_crossentropy",
                           optimizer=optimizer,
                           metrics=['accuracy'])

epochs = 300
batch_size = 64

callbacks = [ReduceLROnPlateau(monitor='val_loss', factor=np.sqrt(0.1), cooldown=0, patience=10, min_lr=1e-6)]
generator = ImageDataGenerator(rotation_range=15,
                                   width_shift_range=5. / 32,
                                   height_shift_range=5. / 32,
                                   horizontal_flip=True)
generator.fit(x_train)
model.fit_generator(generator.flow(x_train, y_train),
                             validation_data=(x_test, y_test),
                             steps_per_epoch=(len(x_train) // batch_size),
                             epochs=epochs, verbose=1,
                             callbacks=callbacks)

---

嗯，

MobileNets

和所有其他基于imagenet的模型对图像进行5次下采样（224->7次），然后执行

GlobalAveragePoolig2D

，然后执行输出层

我认为直接在这些模型上使用32*32图像不会给您带来好的结果，因为即使在

globalaveragepoolig2d

之前，张量形状也会是1*1

---

也许你应该尝试调整图像的大小以喜欢或删除第一个。作为参考，他们在Cifar和ImageNet版本中使用4个池，而只有ImageNet版本在第一个卷积层中具有

stride=2

。

好的，

MobileNets

和所有其他基于ImageNet的模型对图像进行5次下采样（224->7）然后执行

globalaveragepoolig2d

，然后执行输出层

我认为直接在这些模型上使用32*32图像不会给您带来好的结果，因为即使在

globalaveragepoolig2d

之前，张量形状也会是1*1

也许你应该尝试调整图像的大小以喜欢或删除第一个。以作为参考，他们在Cifar和ImageNet版本中使用4个池，而只有ImageNet版本在第一个卷积层中具有

stride=2