时间戳

首页 > 解决方案 > 使用预训练 ResNet50 网络的 OneClass SVM 模型

machine-learning - 使用预训练 ResNet50 网络的 OneClass SVM 模型

问题描述

我正在尝试构建用于图像识别的 OneClass 分类器。我找到了这篇文章，但是因为我没有完整的源代码，所以我并不完全理解我在做什么。

X_train, X_test, y_train, y_test = train_test_split(x, y, random_state=42)

# X_train (2250, 200, 200, 3)
resnet_model = ResNet50(input_shape=(200, 200, 3), weights='imagenet', include_top=False)
features_array = resnet_model.predict(X_train)
# features_array (2250, 7, 7, 2048)
pca = PCA(svd_solver='randomized', n_components=450, whiten=True, random_state=42)
svc = SVC(kernel='rbf', class_weight='balanced')
model = make_pipeline(pca, svc)

param_grid = {'svc__C': [1, 5, 10, 50], 'svc__gamma': [0.0001, 0.0005, 0.001, 0.005]}
grid = GridSearchCV(model, param_grid)
grid.fit(X_train, y_train)

我有 2250 张图像（食物而不是食物）200x200px 大小，我发送这些数据来预测ResNet50 模型的方法。结果是(2250, 7, 7, 2048)张量，有人知道这个维度是什么意思吗？

当我尝试运行 grid.fit 方法时，出现错误：

ValueError: Found array with dim 4. Estimator expected <= 2.

标签： machine-learningkeras

解决方案

这些是我可以做出的发现。

你得到的输出张量高于全局平均池化层。（请参阅resnet_model.summary()以了解输入维度如何更改为输出维度）

对于一个简单的修复，在 resnet_model 之上添加一个平均池化 2d 层。（因此输出形状变为（2250,1,1,2048））

resnet_model = ResNet50(input_shape=(200, 200, 3), weights='imagenet', include_top=False)
resnet_op = AveragePooling2D((7, 7), name='avg_pool_app')(resnet_model.output)
resnet_model = Model(resnet_model.input, resnet_op, name="ResNet")

这通常存在于 ResNet50 本身的源代码中。基本上我们在 resnet50 模型上附加了一个 AveragePooling2D 层。最后一行将图层（第 2 行）和基线模型组合成一个模型对象。

现在输出维度（feature_array）将是(2250, 1, 1, 2048)（因为添加了平均池化层）。

为了避免ValueError你应该重塑这个 feature_array 到(2250, 2048)

feature_array = np.reshape(feature_array, (-1, 2048))

在问题程序的最后一行，

grid.fit(X_train, y_train)

你适合 X_train （在这种情况下是图像）。这里正确的变量是features_array（这被认为是图像的摘要）。输入此行将纠正错误，

grid.fit(features_array, y_train)

要通过提取特征向量以这种方式进行更多微调，请看这里（使用神经网络训练而不是使用 PCA 和 SVM）。

希望这可以帮助！！

推荐阅读