Keras ImageDataGenerator验证精度低

我正在尝试使用mobilenetv2进行迁移学习，从斯坦福大学的cars-196数据集中对196类汽车进行分类

我的工作环境是谷歌colab笔记本。 我使用来自keras的ImageDataGenerator来加载用于列车和验证的图像。 在训练图像上，我还执行数据扩充

以下代码是我如何执行它的：

从驱动器加载数据集 从google.colab导入驱动器 驱动器。装入“/content/drive” 输入数学 从keras.models导入顺序、模型 从keras.layers导入稠密、Conv2D、MaxPoolig2D、展平、辍学、ReLU、GlobalAveragePoolig2D 从keras.preprocessing.image导入ImageDataGenerator 从keras.applications.mobilenet\u v2导入MobileNetV2，预处理\u输入 批次大小=196 列车\数据发生器=图像数据发生器 旋转_range=20，将增强图像旋转20度 缩放范围=0.2，放大或缩小20% 水平翻转=真，允许放大图像的水平翻转 亮度范围=[0.8,1.2]，较亮和较暗的图像增加20% 宽度\偏移\范围=0.1， 高度位移范围=0.1， 预处理_函数=预处理_输入 img\u data\u迭代器=从\u目录中训练\u datagen.flow\u 从何处获取数据，类是子文件夹名称 “/content/drive/My drive/dataset/cars-196/car_data/train”， class_mode=categorical，类采用2D单色热编码方式，默认值为true，但仅指出这一点 shuffle=True，对数据进行洗牌，默认值为True，但仅指出它 批次大小=批次大小， target_size=224224此大小是mobilenet NN的默认值 验证\u img\u data\u迭代器=来自\u目录的ImageDataGenerator.flow\u “/content/drive/My drive/dataset/cars-196/car_data/test”， 类别模式=分类， 洗牌=正确， 批次大小=批次大小， 目标尺寸=224224 基本模型=MobileNetV2weights='imagenet'，包括顶部=False x=基本模型输出 x=全局平均池2DX x=Dense512，激活=relu'x x=辍学0.5x preds=Dense196，激活=softmax'x 模型=模型输入=基本模型输入，输出=预测 禁用已训练层的训练 对于模型中的层。层[：-3]： layer.trainable=错误 model.compileoptimizer='Adam'，loss='classifical_crossentropy'，metrics=['accurity'] 定义检查点 从keras.callbacks导入模型检查点 文件路径=/content/drive/My drive/dataset/cars-196/model.h5 checkpoint=ModelCheckpointfilepath，monitor='loss'，verbose=1，save\u best\u only=True，mode='min' 回调\u列表=[检查点] 历史=model.fit img_数据迭代器， steps_per_epoch=math.ceil8144/BATCH_SIZE，8144是训练图像的数量 validation_steps=math.ceil8062/BATCH_SIZE，8062是验证图像的数量 验证数据=验证数据迭代器， 纪元=100， 回调=回调\u列表 关于批量大小，我决定将批量大小设置为可用标签的数量，但在val_准确性方面没有任何改变

我在添加的完全连接的层之间添加了0.5的漏值，但是验证的准确性没有变化

我在训练集上的准确率达到92%左右，而验证准确率保持在0.7%左右

我的猜测是ImageDataGenerator的行为很奇怪，并且把准确性搞砸了，但是我还没有找到任何解决问题的方法，所以我不知道背后的原因是什么

有人对可能出现的问题有任何猜测吗

---编辑

---

train和test文件夹都有子文件夹，其中包含我要识别的不同车辆的标签名称，每个子文件夹都有该车辆的图像。cars-196数据集就是这样的。ImageDataGenerator将正确的标签附加到图像上，具体取决于该图像所在的子文件夹。

问题在于我没有将预处理输入函数应用到验证数据图像生成器

而不是

验证\u img\u data\u迭代器=来自\u目录的ImageDataGenerator.flow\u “/content/drive/My drive/dataset/cars-196/car_data/test”， 类别模式=分类， 洗牌=正确， 批次大小=批次大小， 目标尺寸=224224 改成

验证\u img\u数据\u迭代器=图像数据生成器 预处理_函数=预处理_输入 .flow\u来自\u目录 “/content/drive/My drive/dataset/cars-196/car_data/test”， 类别模式=分类， 洗牌=正确， 批次大小=批次大小， 目标尺寸=224224

---

你的测试和训练数据是否被正确地洗牌了？在函数flow_from_目录中，我将洗牌参数设置为True，默认情况下它是True，但我只是照做了，所以我猜它被洗牌了，尽管我可能遗漏了一些东西……你有两个不同的文件夹存放你的训练和测试数据。img_data_迭代器只从train dir中获取数据，而validation_img_data_itera

---

tor正在从test Dir获取数据，但我已将shuffle=True添加到这两个选项中，我是否遗漏了什么？举个例子，您正在尝试检查图像中是否有狗、猫、老虎、鹿、狮子。所以你有5节课。您已经统一收集了图像，并将它们划分到train和test文件夹中。但是，当您将数据分为train和test文件夹时，您并没有洗牌，因此您的train文件夹中几乎没有任何lion图像，而您的test文件夹中有所有lion图像。在这种情况下，经过训练的模型将无法在验证集上正常工作。