Python 转移学习（VGG16）在CIFAR-10上表现较差，这正常吗？

注意：我不确定这是问这类问题的合适网站。请告诉我，在投票否决之前，我应该在哪里问他们“因为这不是问问题的正确地方”。谢谢

我目前正在尝试使用。我已经试过了一个类似的模型。这将产生预期的结果：

• 10-15个历元后的80%，在第15个历元前后过度拟合之前无数据增加，以及
• 50个时代后的80%，数据增加，没有任何过度拟合的迹象

在此之后，我想尝试迁移学习。我这样做是通过使用网络而没有重新训练它的权重（参见下面的代码）。这导致了非常糟糕的结果：使用非常浅的曲线（见下图）进行10个历次后，准确率为63%，这似乎表明，经过很长的训练时间（我预计在达到80%之前进行200-300个历次）后，它将仅能获得可接受的结果（如果有）

这是这种应用程序的正常行为吗？以下是一些我可以想象的导致这些糟糕结果的原因：

• CIFAR-10数据集具有

  32x32

  像素的图像，这对于VGG16网络来说可能太少了
• VGG16的过滤器不适用于CIFAR-10，可通过将权重设置为

  可训练

  或从随机权重开始（仅复制模型而非权重）来解决该问题

提前谢谢

---

我的代码：

请注意，输入是2个数据集（50000个训练图像和10000个测试图像），这些数据集是带有形状标签的图像

32x32x3

。每个像素值都是范围

[0.0,1.0]

内的浮点值

导入keras
#加载和预处理数据。。。
#获取VGG16基本模型并定义新的输入形状
vgg16=keras.applications.vgg16.vgg16（输入_形状=（32,32,3），
权重='imagenet'，
include_top=False）
#在顶部添加新的密集层
x=keras.layers.flatte（）（vgg16.output）
x=keras.layers.Dense（1024，活化='relu'）（x）
x=keras.层压降（0.5）（x）
x=keras.layers.Dense（128，活化='relu'）（x）
预测=keras.layers.density（10，活化='softmax'）（x）
#定义和编译模型
模型=keras.model（输入=vgg16.inputs，输出=预测）
对于vgg16.layers中的层：
layer.trainable=错误
model.compile（优化器='adam'，
损失class='classifical_crossentropy'，
指标=[‘准确度’]）
#培训和验证
模型安装（x_系列、y_系列、，
批次大小=256，
纪元=10，
验证数据=（x_检验，y_检验）
模型评估（x_检验，y_检验）

我认为CIFAR-10数据集具有32x32像素的图像，这对于VGG16网络来说可能太少了

---

该程序与CIFAR-10不兼容，无法使用

这不是VGG16型号无法使用该输入尺寸，而是您使用的权重已在不同的输入尺寸（imagenet）上进行了预训练。您需要源数据集和目标数据集具有相同的输入大小，以便预先训练的权重可以传递。因此，您可以使用重新缩放的imagenet图像对32x32x3进行预训练，也可以选择一个与预训练大致相同的目标数据集（通常是224x224x3或imagenet的类似数据集），并进行缩放以匹配。我最近看到一篇文章，他们通过放大cifar10和100从imagenet转移到cifar10和100，后者工作得相当好，但这并不理想

第二，如果目标数据集中有那么多训练示例，冻结所有传输的层不太可能是一个好的解决方案，事实上，将所有层设置为可训练层可能效果最好