时间戳

首页 > 解决方案 > 具有两个预训练 ResNet 50 的连体神经网络 - 测试模型时的奇怪行为

python - 具有两个预训练 ResNet 50 的连体神经网络 - 测试模型时的奇怪行为

问题描述

我使用 Keras lib 构建了连体神经网络。我的模型有两个形状为 (64,64,3) 的输入，两个预训练的 ResNet-50。损失函数是二元交叉熵。

该模型是基于本文的一个链接

在训练期间，我有非常好的 trait/val 准确度，大约 0.99/0.98，低损失 0.01/0.05。

但是当我测试我保存的模型时，我得到了不好的结果。该模型甚至无法识别两张相同的图片。

我还注意到奇怪的行为：epoch 数越多，结果越差。例如，比较两个相同的图像，经过10 个 epoch的训练模型 给出预测： “8.jpg”：0.5180479884147644但用100 个 epoch 训练的相同模型给出 “8.jpg”：5.579867080537926E-13 但是对于100 个 epoch，我有更好的训练结果。

我为 CNN 尝试了不同的模型：ResNet18，不同的输入形状，如(224,224,3)或(128,128,3)。

此外，我使用三合会不使用预训练模型，仅使用没有预训练权重的ResNet50/ResNet18。但是在测试真实模型时，我得到了同样糟糕的结果。

我的代码是

def create_base_model(image_shape, dropout_rate, suffix=''):
    I1 = Input(shape=image_shape)
    model = ResNet50(include_top=False, weights='imagenet', input_tensor=I1, pooling=None)
    model.layers.pop()
    model.outputs = [model.layers[-1].output]
    model.layers[-1].outbound_nodes = []

    for layer in model.layers:
        layer.name = layer.name + str(suffix)
        layer.trainable = False

    flatten_name = 'flatten' + str(suffix)

    x = model.output
    x = Flatten(name=flatten_name)(x)
    x = Dense(1024, activation='relu')(x)
    x = Dropout(dropout_rate)(x)
    x = Dense(512, activation='relu')(x)
    x = Dropout(dropout_rate)(x)

    return x, model.input


def create_siamese_model(image_shape, dropout_rate):

    output_left, input_left = create_base_model(image_shape, dropout_rate)
    output_right, input_right = create_base_model(image_shape, dropout_rate, suffix="_2")

    L1_layer = Lambda(lambda tensors: tf.abs(tensors[0] - tensors[1]))
    L1_distance = L1_layer([output_left, output_right])
    L1_prediction = Dense(1, use_bias=True,
                          activation='sigmoid',
                          kernel_initializer=RandomNormal(mean=0.0, stddev=0.001),
                          name='weighted-average')(L1_distance)

    prediction = Dropout(0.2)(L1_prediction)

    siamese_model = Model(inputs=[input_left, input_right], outputs=prediction)

    return siamese_model

siamese_model = create_siamese_model(image_shape=(64, 64, 3),
                                         dropout_rate=0.2)

siamese_model.compile(loss='binary_crossentropy',
                      optimizer=Adam(lr=0.0001),
                      metrics=['binary_crossentropy', 'acc'])
siamese_model.fit_generator(train_gen,
                            steps_per_epoch=1000,
                            epochs=10,
                            verbose=1,
                            callbacks=[checkpoint, tensor_board_callback, lr_reducer, early_stopper, csv_logger],
                            validation_data=validation_data,
                            max_q_size=3)

siamese_model.save('siamese_model.h5')



# and the my prediction
siamese_net = load_model('siamese_model.h5', custom_objects={"tf": tf})

X_1 = [image, ] * len(markers)
batch = [markers, X_1]
result = siamese_net.predict_on_batch(batch)

# I've tried also to check identical images 
markers = [image]
X_1 = [image, ] * len(markers)
batch = [markers, X_1]
result = siamese_net.predict_on_batch(batch)

我对我的预测方法有些怀疑。有人可以帮我找出预测有什么问题吗？

标签： pythontensorflowmachine-learningkerasneural-network

解决方案

你得到的是预期的。我不确定你的意思

我还注意到奇怪的行为：epoch 数越多，结果越差。

但是您显示的结果是有效的和预期的。让我们从模型输出的内容开始。您的模型输出是第一个和第二个输入之间的（标准化）距离。如果输入相似，那么距离应该接近于零。随着训练步数的增加，模型学习识别输入，即如果输入相似，模型学习输出接近零的值，如果输入不同，模型学习输出接近一的值。所以，

...经过 10 个 epoch 的训练模型给出预测：“8.jpg”：0.5180479884147644 但用 100 个 epoch 训练的相同模型给出“8.jpg”：5.579867080537926E-13 但是对于 100 个 epoch，我有更好的训练结果。

, 确认模型已经知道两个输入和输出是相似的5.579867080537926E-13 ~ 0（大约接近 0）。

尽管模型表现良好，但我在模型定义中观察到一个问题：- 输出层是 dropout 层。Dropout 不是有效的输出层。您通过此设置所做的是，随机概率为 0.2，您将模型的输出设置为零。

假设目标变量为 1（两个输入不同），模型已经学会正确识别图像并在 dropout 层之前输出接近 1 的值。让我们进一步假设 dropout 层已决定将输出设置为零。所以模型输出将为零。尽管 dropout 层之前的层表现良好，但由于 dropout 层，它们会受到惩罚。如果这不是您要查找的内容，请删除最后一个 dropout 层。

L1_prediction = Dense(1, use_bias=True,
                    activation='sigmoid',
                    kernel_initializer=RandomNormal(mean=0.0, stddev=0.001),
                    name='weighted-average')(L1_distance)


siamese_model = Model(inputs=[input_left, input_right], outputs=L1_prediction)

但是，如果想要向模型添加噪声，有时需要这种行为。这与值为 1 时随机更改目标变量具有相同的效果。

推荐阅读