VGG16 对痤疮分级的准确度极低答案

【问题标题】：VGG16 extremely low accuracy on acne gradingVGG16 对痤疮分级的准确度极低
【发布时间】：2021-01-19 21:19:47
【问题描述】：

我正在尝试构建具有 3 个类别（0 级、1 级、2 级）的 ance 分级分类器。我在数据集中没有很多图像（每个类大约 500 个）。因此我使用了 VGG16 预训练模型。但是，准确度确实很低（~0.33），并且随着训练几乎没有增加。

# Load VGG16 model
vgg_model = VGG16(weights="imagenet", 
                  include_top=False, 
                  input_tensor=Input(shape=(224,224,3)))
vgg_model.summary()

#make the model layers untrainable
for layer in vgg_model.layers:
    layer.trainable = False

# Add output layer
output_model = vgg_model.output
output_model = layers.Dropout(0.25)(output_model)
output_model = layers.Flatten()(output_model)
output_model = layers.Dense(128,activation="relu")(output_model)
output_model = layers.Dropout(0.5)(output_model)
output_model = layers.Dense(3,activation="softmax")(output_model)

vggmodel = models.Model(inputs=vgg_model.input, outputs=output_model)

vggmodel.summary()


# Image augmentation on training set
train_datagen = ImageDataGenerator(
    rotation_range = 40,
    width_shift_range = 0.2,
    height_shift_range = 0.2,
    shear_range = 0.15,
    rescale = 1./255,
)

# only rescale on validation set
validate_datagen = ImageDataGenerator(
    rescale = 1./255
)

#set size of batches of data to 64
batch_size = 64
#resizing to 224x224
target_size = (224, 224)

# initialize the training data augmentation object
train_generator = train_datagen.flow_from_directory(directory=training_path, class_mode="categorical",
                                                  batch_size=batch_size, target_size=target_size, color_mode='rgb', shuffle= True)
validation_generator = validate_datagen.flow_from_directory(directory=validation_path, class_mode="categorical",
                                                  batch_size=batch_size, target_size=target_size, color_mode='rgb', shuffle= True)

vggmodel.compile(loss="categorical_crossentropy", optimizer=SGD(0.01),metrics=["accuracy"])

earlystopping = keras.callbacks.EarlyStopping(monitor ="val_loss",  
                                        mode ="min", patience = 2,  
                                        restore_best_weights = True) 

vggmodel.fit(train_generator, steps_per_epoch=int(1166/batch_size), epochs= 100,
                        validation_data=validation_generator, validation_steps=5, callbacks=[earlystopping])

我也尝试过构建自己的模型，但性能相似。

input_shape = (224,224,3)
cnn_model = models.Sequential()
cnn_model.add(layers.Conv2D(64, (3, 3), activation='relu',
                               input_shape=input_shape))
cnn_model.add(layers.Conv2D(64, (3, 3), activation='relu',
                                input_shape=input_shape))
cnn_model.add(layers.MaxPool2D((2, 2)))
cnn_model.add(layers.Conv2D(64, (3, 3), activation='relu',
                                input_shape=input_shape))
cnn_model.add(layers.MaxPool2D((2, 2)))
cnn_model.add(layers.Dropout(0.25))
cnn_model.add(layers.Flatten())
cnn_model.add(layers.Dense(128, activation='relu'))
cnn_model.add(layers.Dropout(0.5))
cnn_model.add(layers.Dense(3, activation='softmax'))
cnn_model.summary()

cnn_model.compile(loss="categorical_crossentropy", optimizer=SGD(0.01),metrics=["accuracy"])


earlystopping = keras.callbacks.EarlyStopping(monitor ="val_loss",  
                                        mode ="min", patience = 2,  
                                        restore_best_weights = True) 

cnn_model.fit(train_generator, steps_per_epoch=int(1248/batch_size), epochs= 15,
                        validation_data=validation_generator, validation_steps=2)

我做错了什么？对不起，我是初学者：/

【问题讨论】：

哪个准确率低？训练还是验证？你也可以分享你的损失值吗？
两者都很低，训练准确率为~0.33，验证准确率为~0.37
你是怎么想到这个的？ steps_per_epoch=int(1248/batch_size)
是的，我也改变了优化器。在最后一轮尝试了 Adam(0.001)，在提前停止停止之前得到了大约 0.5。感谢您的帮助！
尝试通过增加第 3 类来平衡您的数据集。这也是 ML 中的一个问题，如果你的数据有限，很难一概而论。增强是有助于泛化的最大因素。

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

使用最大池化层，而不是展平层。
This 用户必须将学习率降低到 0.001，才能获得可接受的结果。
使用较小的辍学率。例如 .2、.3。
33% 只是随机猜测。打印一些图片，看看它们的标签是否正确。
在一些示例图像上检查模型的输出。在某些列中是否太接近 1 或 0？它似乎只是随机的吗？

执行这些操作，您可能会发现错误。

【讨论】：