是否存在具有大量类的多类分类架构？

Question

我是深度学习的新手，我正在做一些业余项目。现在我正在做 200 个类的多类图像分类。有教程或实际架构我可以看看吗？

到目前为止，我尝试了基本的 Dense 和 CNN 网络，但我的准确率永远无法超过 5%。

到目前为止，我非常基本的 CNN 看起来像这样。

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape,
                 data_format='channels_first'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (4, 4), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(256, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adam(),
              metrics=['accuracy'])

我寻找解决方案，但找不到任何具有如此大量类的项目（除了 VGG-19 或其他 SOTA CNN，但我会尝试自己编写，因为这是出于学习目的）。有没有人有类似的项目或有一些关于此类问题的教程或任何建议？

提前致谢。

Answer 1

200 节课实在是太少了。

试试

from keras.applications.resnet50 import ResNet50

model = ResNet50(weights=None, classes=200)
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adam(),
              metrics=['accuracy'])

这个模型（ResNet50）应该足以胜任大多数任务。

keras.applications 中的每个模型都经过训练，拥有 1000 个类别，如果您的任务是一些真实世界的图像，您可以使用经过训练的权重

from keras.applications.resnet50 import ResNet50
from keras.layers import Dense
from keras.models import Model

model = ResNet50(weights='imagenet')
x = model.get_layer('avg_pool').output
x = Dense(200, activation='softmax')(x)
model = Model(model.input, x)