Python 用于性别检测的Vgg16(男性、女性)
我们使用了vgg16和冻结顶层,并在性别数据集12k男性和12k女性上对最后4层进行了再培训。它的准确度非常低,尤其是对于男性。我们正在使用IMDB数据集。在雌性测试数据上,它给出雌性作为输出,但在雄性上,它给出相同的输出Python 用于性别检测的Vgg16(男性、女性),python,tensorflow,deep-learning,vgg-net,Python,Tensorflow,Deep Learning,Vgg Net,我们使用了vgg16和冻结顶层,并在性别数据集12k男性和12k女性上对最后4层进行了再培训。它的准确度非常低,尤其是对于男性。我们正在使用IMDB数据集。在雌性测试数据上,它给出雌性作为输出,但在雄性上,它给出相同的输出 vgg_conv=VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) Freeze the layers except the last 4 layers for layer in
vgg_conv=VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
Freeze the layers except the last 4 layers
for layer in vgg_conv.layers[:-4]:
layer.trainable = False
Create the model
model = models.Sequential()
Add the vgg convolutional base model
model.add(vgg_conv)
Add new layers
model.add(layers.Flatten())
model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dropout(0.5)) model.add(layers.Dense(2, activation='softmax'))
nTrain=16850 nTest=6667
train_datagen = image.ImageDataGenerator(rescale=1./255)
test_datagen = image.ImageDataGenerator(rescale=1./255)
batch_size = 12 batch_size1 = 12
train_generator = train_datagen.flow_from_directory(train_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical', shuffle=False)
test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=batch_size1, class_mode='categorical', shuffle=False)
model.compile(optimizer=optimizers.RMSprop(lr=1e-6), loss='categorical_crossentropy', metrics=['acc'])
history = model.fit_generator( train_generator, steps_per_epoch=train_generator.samples/train_generator.batch_size, epochs=3, validation_data=test_generator, validation_steps=test_generator.samples/test_generator.batch_size, verbose=1)
model.save('gender.h5')
测试代码:
model=load_model('age.h5')
img=load_img('9358807_1980-12-28_2010.jpg', target_size=(224,224))
img=img_to_array(img)
img=img.reshape((1,img.shape[0],img.shape[1],img.shape[2]))
img=preprocess_input(img)
yhat=model.predict(img)
print(yhat.size)
label=decode_predictions(yhat)
label=label[0][0]
print('%s(%.2f%%)'% (label[1],label[2]*100))
首先,您将模型保存为
gender.h5
,并在测试期间加载模型age.h5
。可能您在这里为测试添加了不同的代码
来提高程序的准确性-
loss='categorical\u crossentropy'
,将其更改为model中的loss='binary\u crossentropy'
。编译,因为您只有两个类。那么你的
model.compile(optimizer=“adam”,loss=tf.keras.loss.BinaryCrossentropy(from_logits=True),metrics=['accurity'])
如下所示李>
同时将flow\u目录中的class\u mode='classifical'
更改为class\u mode='binary'
由于category\u crossentropy
与最后一层中的softmax
激活密切相关,如果您将损失更改为binary\u crossentropy
则最后一次激活也应更改为sigmoid
。所以最后一层应该是密集的(1,activation='sigmoid')
您已经添加了两层4096
,这将添加4096*4096=16,777,216代码>模型学习的权重。将它们分别减少到1026
和512
您添加了Dropout
层0.5
,即在新纪元期间保持50%的神经元关闭。这是一个巨大的数字。更好的方法是去掉下拉列表
层,仅当您的模型过拟合时才使用
设置batch\u size=1
。由于您的输入非常少,所以让每个历元具有与输入记录相同的步数
使用数据增强技术,如ImageDataGenerator的水平翻转
,垂直翻转
,剪切范围
,缩放范围
,在每个纪元
期间生成新批次的训练和验证图像
为大量的epoch
培训您的模型。您只是在为epoch=3
进行训练,这对于学习权重来说太少了。训练epoch=50
,然后调整号码
希望这能回答你的问题。愉快学习。首先,您将模型保存为gender.h5
,并在测试期间加载模型age.h5
。可能您在这里为测试添加了不同的代码
来提高程序的准确性-
最重要的是,您正在使用loss='categorical\u crossentropy'
,将其更改为model中的loss='binary\u crossentropy'
。编译,因为您只有两个类。那么你的
model.compile(optimizer=“adam”,loss=tf.keras.loss.BinaryCrossentropy(from_logits=True),metrics=['accurity'])
如下所示李>
同时将flow\u目录中的class\u mode='classifical'
更改为class\u mode='binary'
由于category\u crossentropy
与最后一层中的softmax
激活密切相关,如果您将损失更改为binary\u crossentropy
则最后一次激活也应更改为sigmoid
。所以最后一层应该是密集的(1,activation='sigmoid')
您已经添加了两层4096
,这将添加4096*4096=16,777,216代码>模型学习的权重。将它们分别减少到1026
和512
您添加了Dropout
层0.5
,即在新纪元期间保持50%的神经元关闭。这是一个巨大的数字。更好的方法是去掉下拉列表
层,仅当您的模型过拟合时才使用
设置batch\u size=1
。由于您的输入非常少,所以让每个历元具有与输入记录相同的步数
使用数据增强技术,如ImageDataGenerator的水平翻转
,垂直翻转
,剪切范围
,缩放范围
,在每个纪元
期间生成新批次的训练和验证图像
为大量的epoch
培训您的模型。您只是在为epoch=3
进行训练,这对于学习权重来说太少了。训练epoch=50
,然后调整号码
希望这能回答你的问题。快乐学习。你应该重新缩进你的预测代码以提高可读性。问题是它预测女性为女性,但男性也为女性。你应该重新缩进预测代码以提高可读性。问题是它预测女性为女性,但男性也为女性。