使用 TensorFlow 2 将 Dropout 添加到 MobileNet答案

【问题标题】：Adding Dropout to MobileNet with TensorFlow 2使用 TensorFlow 2 将 Dropout 添加到 MobileNet
【发布时间】：2019-12-22 18:15:11
【问题描述】：

我正在使用 MobileNet 和 TensorFlow 2 来区分 4 个非常相似的玩具。每个玩具我正好有 750 张图片，一个标签包含 750 张“负面”图片，没有任何玩具。

我之前使用 MobileNet 并取得了相当大的成功，但这种情况导致了很多过度拟合（训练/验证准确度之间存在约 30-40% 的差异）。该模型在 3 个 epoch 内很快训练到大约 99.8% 的训练准确度，但验证准确度停留在 75% 左右。验证数据集是 20% 的输入图像的随机集。在查看模型的准确性时，人们对其中一个玩具有很大的偏见，而很多其他玩具被错误地识别为那个玩具。

我已经尝试了几乎所有的方法来解决这个问题：

我在添加到 MobileNet 顶部的 Conv2D 层之后添加了 Dropout，并尝试了介于 0.2 和 0.9 之间的各种丢弃率。

model = tf.keras.Sequential([
  base_model,
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.Dropout(0.5),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(label_count, activation='softmax')
])

我在 Conv2D 层之前添加了一个额外的 Dropout 层，这似乎稍微改善了一些事情：

model = tf.keras.Sequential([
  base_model,
  tf.keras.layers.Dropout(0.5),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.Dropout(0.5),
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(label_count, activation='softmax')
])

我还添加了更多测试数据，尝试混合各种照明条件和背景下的玩具照片，并生成叠加在随机背景上的玩具图像。这些都不会产生重大影响。

我应该将 dropout 添加到 MobileNet 模型中，而不仅仅是添加到我在它之后添加的层吗？我在 github 上遇到了 this code 这样做，但我不知道这是否真的是一个好主意 - 或者不知道如何使用 TensorFlow 2 实现这一点。

这是明智的还是可行的？

另外，我能想到的唯一其他想法是：

捕获更多图像，使训练更加困难 - 但我认为每个项目 750 应该足以做得很好。
不要使用 MobileNet，而是从头开始创建神经网络或使用另一个预先存在的网络。

【问题讨论】：

1.使用其他架构；我会推荐 Densenet121 和 Densenet169，从 imagenet 权重开始并对其进行微调。 2. 在训练期间添加增强

标签： tensorflow conv-neural-network tensorflow2.0 dropout mobilenet

【解决方案1】：

由于模型过度拟合，您可以

Shuffle 数据，通过在cnn_model.fit 中使用shuffle=True。代码如下：

history = cnn_model.fit(x = X_train_reshaped, y = y_train, batch_size = 512, epochs = epochs, callbacks=[callback], verbose = 1, validation_data = (X_test_reshaped, y_test), validation_steps = 10, steps_per_epoch=steps_per_epoch, shuffle = True)
使用Early Stopping。代码如下所示

callback = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=15)

使用Regularization。正则化代码如下（你也可以试试l1 Regularization或l1_l2 Regularization）：

from tensorflow.keras.regularizers import l2

Regularizer = l2(0.001)

cnn_model.add(Conv2D(64,3, 3, input_shape = (28,28,1), activation='relu', data_format='channels_last', activity_regularizer=Regularizer, kernel_regularizer=Regularizer))

cnn_model.add(Dense(units = 10, activation = 'sigmoid', activity_regularizer=Regularizer, kernel_regularizer=Regularizer))
尝试用MaxPool2D替换GlobalAveragePooling2D
您可以尝试使用BatchNormalization。
使用ImageDataGenerator 执行图像数据增强。有关更多信息，请参阅 this link。
如果Pixels 不是Normalized，将像素值除以255 也有帮助。
最后，如果还是没有变化，你可以试试其他Pre-Trained Models，比如ResNet，Vgg Net，DenseNet（在cmets中Mohsin提到过）

【讨论】：