快捷導(dǎo)航

解決Alexnet訓(xùn)練模型在每個(gè)epoch中準(zhǔn)確率和loss都會(huì)一升一降問題

更新時(shí)間：2020年06月17日 10:15:05 作者：菜田的守望者

這篇文章主要介紹了解決Alexnet訓(xùn)練模型在每個(gè)epoch中準(zhǔn)確率和loss都會(huì)一升一降問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

遇到的問題

當(dāng)時(shí)自己在使用Alexnet訓(xùn)練圖像分類問題時(shí)，會(huì)出現(xiàn)損失在一個(gè)epoch中增加，換做下一個(gè)epoch時(shí)loss會(huì)驟然降低，一開始這個(gè)問題沒有一點(diǎn)頭緒，我數(shù)據(jù)也打亂了，使用的是tf.train.shuffle_batch

在capacity中設(shè)置一個(gè)值，比如是1000吧，每次取一千個(gè)數(shù)據(jù)后將這一千個(gè)數(shù)據(jù)打亂，本次使用的數(shù)據(jù)集就是每個(gè)種類1000多，而我加載數(shù)據(jù)時(shí)是一類一類加載的，這就造成了每一批次的開始可以跟前一類數(shù)據(jù)做打亂處理，但是在中間數(shù)據(jù)并不能達(dá)到充分的shuffle

解決問題

在加載數(shù)據(jù)集的時(shí)候用numpy中的shuffle將數(shù)據(jù)集充分的打亂后在讀入tfrecord中，之后讀取的時(shí)候使用tf.tain.shuffle_batch和使用tf.train.batch就沒有區(qū)別了。另外capacity這個(gè)數(shù)值不益設(shè)置過大，會(huì)對(duì)自己的電腦造成壓力。

補(bǔ)充知識(shí)：MATLAB中使用AlexNet、VGG、GoogLeNet進(jìn)行遷移學(xué)習(xí)

直接貼代碼，具體用法見注釋：

clc;clear;

net = alexnet; %加載在ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)模型
imageInputSize = [227 227 3];
%加載圖像
allImages = imageDatastore('.\data227Alexnet',...
 'IncludeSubfolders',true,...
 'LabelSource','foldernames');
 %劃分訓(xùn)練集和驗(yàn)證集
 [training_set,validation_set] = splitEachLabel(allImages,0.7,'randomized');
 %由于原始網(wǎng)絡(luò)全連接層1000個(gè)輸出，顯然不適用于我們的分類任務(wù)，因此在這里替換
layersTransfer = net.Layers(1:end-3);
categories(training_set.Labels)
numClasses = numel(categories(training_set.Labels));
%新的網(wǎng)絡(luò)
layers = [
 layersTransfer
 fullyConnectedLayer(numClasses,'Name', 'fc','WeightLearnRateFactor',1,'BiasLearnRateFactor',1)
 softmaxLayer('Name', 'softmax')
 classificationLayer('Name', 'classOutput')];

lgraph = layerGraph(layers);
plot(lgraph)
%對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)增
augmented_training_set = augmentedImageSource(imageInputSize,training_set);

opts = trainingOptions('adam', ...
 'MiniBatchSize', 32,... % mini batch size, limited by GPU RAM, default 100 on Titan, 500 on P6000
 'InitialLearnRate', 1e-4,... % fixed learning rate
 'LearnRateSchedule','piecewise',...
 'LearnRateDropFactor',0.25,...
 'LearnRateDropPeriod',10,...
 'L2Regularization', 1e-4,... constraint
 'MaxEpochs',20,..
 'ExecutionEnvironment', 'gpu',...
 'ValidationData', validation_set,...
 'ValidationFrequency',80,...
 'ValidationPatience',8,...
 'Plots', 'training-progress')

net = trainNetwork(augmented_training_set, lgraph, opts);

save Alex_Public_32.mat net

[predLabels,predScores] = classify(net, validation_set);
plotconfusion(validation_set.Labels, predLabels)
PerItemAccuracy = mean(predLabels == validation_set.Labels);
title(['overall per image accuracy ',num2str(round(100*PerItemAccuracy)),'%'])

MATLAB中訓(xùn)練神經(jīng)網(wǎng)絡(luò)一個(gè)非常大的優(yōu)勢就是訓(xùn)練過程中各項(xiàng)指標(biāo)的可視化，并且最終也會(huì)生成一個(gè)混淆矩陣顯示驗(yàn)證集的結(jié)果。

以上這篇解決Alexnet訓(xùn)練模型在每個(gè)epoch中準(zhǔn)確率和loss都會(huì)一升一降問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: