python - resnet50 迁移学习期间的大规模过拟合

问题描述

这是我第一次尝试用 CNN 做一些事情，所以我可能在做一些非常愚蠢的事情——但不知道我错在哪里......

该模型似乎学习得很好，但验证准确性并没有提高（甚至在第一个 epoch 之后），并且验证损失实际上随着时间的推移而增加。看起来我并没有过度拟合（在 1 个 epoch 之后？） - 我们必须以其他方式离开。

我正在训练一个 CNN 网络——我有大约 100k 种植物（1000 个类别）的图像，并且想要微调 ResNet50 以创建一个多类分类器。图像有各种尺寸，我像这样加载它们：

from keras.preprocessing import image                  

def path_to_tensor(img_path):
    # loads RGB image as PIL.Image.Image type
    img = image.load_img(img_path, target_size=(IMG_HEIGHT, IMG_HEIGHT))
    # convert PIL.Image.Image type to 3D tensor with shape (IMG_HEIGHT, IMG_HEIGHT, 3)
    x = image.img_to_array(img)
    # convert 3D tensor to 4D tensor with shape (1, IMG_HEIGHT, IMG_HEIGHT, 3) and return 4D tensor
    return np.expand_dims(x, axis=0)

def paths_to_tensor(img_paths):
    list_of_tensors = [path_to_tensor(img_path) for img_path in img_paths] #can use tqdm(img_paths) for data
    return np.vstack(list_of_tensors)enter code here

数据库很大（不适合内存）并且必须创建我自己的生成器来提供从磁盘读取和扩充的功能。（我知道 Keras 有 .flow_from_directory() - 但我的数据不是这样构造的 - 它只是 100k 图像与 100k 元数据文件混合的转储）。我可能应该创建一个脚本来更好地构建它们，而不是创建我自己的生成器，但问题可能出在其他地方。

下面的生成器版本暂时不做任何扩充 - 只是重新缩放：

def generate_batches_from_train_folder(images_to_read, labels, batchsize = BATCH_SIZE):    

    #Generator that returns batches of images ('xs') and labels ('ys') from the train folder
    #:param string filepath: Full filepath of files to read - this needs to be a list of image files
    #:param np.array: list of all labels for the images_to_read - those need to be one-hot-encoded
    #:param int batchsize: Size of the batches that should be generated.
    #:return: (ndarray, ndarray) (xs, ys): Yields a tuple which contains a full batch of images and labels. 

    dimensions = (BATCH_SIZE, IMG_HEIGHT, IMG_HEIGHT, 3)

    train_datagen = ImageDataGenerator(
        rescale=1./255,
        #rotation_range=20,
        #zoom_range=0.2, 
        #fill_mode='nearest',
        #horizontal_flip=True
    )

    # needs to be on a infinite loop for the generator to work
    while 1:
        filesize = len(images_to_read)

        # count how many entries we have read
        n_entries = 0
        # as long as we haven't read all entries from the file: keep reading
        while n_entries < (filesize - batchsize):

            # start the next batch at index 0
            # create numpy arrays of input data (features) 
            # - this is already shaped as a tensor (output of the support function paths_to_tensor)
            xs = paths_to_tensor(images_to_read[n_entries : n_entries + batchsize])

            # and label info. Contains 1000 labels in my case for each possible plant species
            ys = labels[n_entries : n_entries + batchsize]

            # we have read one more batch from this file
            n_entries += batchsize

            #perform online augmentation on the xs and ys
            augmented_generator = train_datagen.flow(xs, ys, batch_size = batchsize)

        yield  next(augmented_generator)

这就是我定义模型的方式：

def get_model():

    # define the model
    base_net = ResNet50(input_shape=DIMENSIONS, weights='imagenet', include_top=False)

    # Freeze the layers which you don't want to train. Here I am freezing all of them
    for layer in base_net.layers:
        layer.trainable = False

    x = base_net.output

    #for resnet50
    x = Flatten()(x)
    x = Dense(512, activation="relu")(x)
    x = Dropout(0.5)(x)
    x = Dense(1000, activation='softmax', name='predictions')(x)

    model = Model(inputs=base_net.input, outputs=x)

    # compile the model 
    model.compile(
        loss='categorical_crossentropy',
        optimizer=optimizers.Adam(1e-3),
        metrics=['acc'])

    return model

因此，我有 1,562,088 个可训练参数用于大约 70k 图像

然后我使用 5 折交叉验证，但该模型不适用于任何折叠，所以我不会在此处包含完整代码，相关位是这样的：

trial_fold = temp_model.fit_generator(
                train_generator,
                steps_per_epoch = len(X_train_path) // BATCH_SIZE,
                epochs = 50,
                verbose = 1,
                validation_data = (xs_v,ys_v),#valid_generator,
                #validation_steps= len(X_valid_path) // BATCH_SIZE,
                callbacks = callbacks,
                shuffle=True)

我做了各种各样的事情——确保我的生成器确实在工作，尝试通过减小全连接层的大小来玩网络的最后几层，尝试增强——没有任何帮助......

我不认为网络中的参数数量太多——我知道其他人也做了几乎相同的事情并且准确度接近 0.5，但我的模型似乎疯狂地过度拟合。任何关于如何解决这个问题的想法将不胜感激！

更新1：

我决定停止重新发明东西并按文件排序以使用 .flow_from_directory() 过程。为了确保我导入了正确的格式（由下面的 Ioannis Nasios 评论触发） - 我确保来自 keras 的 resnet50 应用程序的 preprocessing_unit()。

我还决定检查模型是否真的产生了有用的东西——我为我的数据集计算了瓶颈特征，然后使用随机森林来预测类。它确实有效，我的准确度约为 0.4

所以，我想我的图像输入格式肯定有问题。作为下一步，我将微调模型（使用新的顶层），看看问题是否仍然存在......

更新 2：

我认为问题出在图像预处理上。我最终没有进行微调，只是提取了瓶颈层并训练了 linear_SVC() - 得到了大约 60% 的训练和大约 45% 的测试数据集的准确度。

标签： pythontensorflowkerasconv-neural-networkresnet

python - resnet50 迁移学习期间的大规模过拟合

问题描述

解决方案

推荐阅读