Python 在keras中，ResNet50模型没有使用迁移学习进行学习

我正在尝试在针对PASCAL VOC 2012数据集的Imagenet weights预训练的ResNet50模型上执行迁移学习。由于它是一个多标签数据集，我在最后一层使用了

sigmoid

激活函数和

binary\u crossentropy

loss。这些指标是

精度、召回率和准确度

。下面是我用来为20个类构建模型的代码（PASCAL VOC有20个类）

它运行了35个时代，直到EarlyStop，指标如下（无退出层）：

即使有辍学层，我也看不出有什么不同

loss: 0.1584 - accuracy: 0.9428 - precision_m: 0.7212 - recall_m: 0.4333 - val_loss: 0.3508 - val_accuracy: 0.8783 - val_precision_m: 0.0595 - val_recall_m: 0.0403

有了辍学，在几个时期内，该模型的验证精度和准确度达到了0.2，但不超过0.2

---

我发现，和有无退出层的训练集相比，验证集的精确度和召回率都很低。我该如何解释呢？这是否意味着模型拟合过度。如果是，我该怎么办？到目前为止，模型预测是非常随机的（完全不正确）。数据集大小为11000个图像。

请修改以下代码并尝试执行

发件人：

致：

发件人：

致：

---

你能分享完整的代码来调试这个问题吗？

loss: 0.1195 - accuracy: 0.9551 - precision_m: 0.8200 - recall_m: 0.5420 - val_loss: 0.3535 - val_accuracy: 0.8358 - val_precision_m: 0.0583 - val_recall_m: 0.0757

loss: 0.1584 - accuracy: 0.9428 - precision_m: 0.7212 - recall_m: 0.4333 - val_loss: 0.3508 - val_accuracy: 0.8783 - val_precision_m: 0.0595 - val_recall_m: 0.0403

predictions = Dense(num_classes, activation= 'sigmoid')(x)

predictions = Dense(num_classes, activation= 'softmax')(x)

model.compile(optimizer= adam, loss='binary_crossentropy', metrics=['accuracy',precision_m,recall_m])

model.compile(optimizer= adam, loss='categorical_crossentropy', metrics=['accuracy',precision_m,recall_m])