如何“迭代”计算机视觉机器学习模型？

Question

我使用 google cloud vision api 创建了一个模型。我花了无数个小时标记数据，并训练了一个模型。在将近 20 小时的“训练”模型结束时，它仍然是一波三折。

如何迭代这个模型？我不想失去迄今为止所做的“学习”。它的工作效率约为 3/5 次。

我最好的猜测是我应该再次遍历对象，找到错误的地方，并相应地标记。但我不确定最好的方法。我应该将所有“错过”的图像标记为测试数据图像吗？我可以阅读有关此主题的最佳做法或资源吗？

Answer 1

我绝不是专家，但以下是我的建议，按最重要到最不重要的顺序排列：

1) 如果可能，添加更多数据。更多数据总是一件好事，有助于提高网络预测的稳健性。

2) Add dropout layers to prevent over-fitting

3) 修改kernel and bias initialisers

4) [与您的问题最相关的答案] 保存模型的训练权重并在训练前将它们重新加载到新模型中。

5) 更改您正在使用的模型架构类型。然后，修改 epoch 数、验证拆分、损失评估公式等。

希望这会有所帮助！

---

编辑：关于数字 4 的更多信息

因此，您可以在模型训练期间或之后保存和加载模型权重。 See here 了解有关保存的更深入信息。

概括地说，让我们介绍一下基础知识。我假设您正在使用 keras，但同样适用于 tf：

训练后保存模型

只需调用：

model_json = model.to_json()
with open("{Your_Model}.json", "w") as json_file:
    json_file.write(model_json)

# serialize weights to HDF5
model.save_weights("{Your_Model}.h5")
print("Saved model to disk")

加载模型

您可以像这样从 json 加载模型结构：

from keras.models import model_from_json 

json_file = open('{Your_Model.json}', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)

如果您愿意，还可以加载权重：

model.load_weights('{Your_Weights}.h5', by_name=True)

然后编译模型，您就可以重新训练/预测了。 by_name 对我来说是将权重重新加载到相同的模型架构中必不可少的；忽略它可能会导致错误。

在训练期间检查模型

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath={checkpoint_path},
                                                 save_weights_only=True,
                                                 verbose=1)

# Train the model with the new callback
model.fit(train_images, 
          train_labels,  
          epochs=10,
          validation_data=(test_images,test_labels),
          callbacks=[cp_callback])  # Pass callback to training