问题keras使用预训练模型vgg16分类，损失和准确度不变。

细节：使用keras训练一个两类数据，正负比例1：3，在vgg16后添加了几个全链接并初始化了。并且对所有层都允许训练。

但是准确度一直是0.75.

数据预先处理已经检查过格式正确

再将模型中relu改成sigmoid就正常了。

数据处理程序

import osimport pickleimport numpy as np import DataFileimport SelectiveSearchimport Generatorimport IoUimport Model_CRNN_VGG16 from keras.preprocessing.image import ImageDataGeneratorfrom keras.callbacks import ModelCheckpoint def data_generator(gen1,gen0): while True: data_pos = next(gen1) data_neg = next(gen0) ret_X = np.vstack((data_pos[0],data_neg[0])) ret_y = np.vstack((data_pos[1],data_neg[1])) index = np.arange(ret_y.shape[0]) np.random.shuffle(index) ret_X = ret_X[index, :, :, :] # X_train是训练集，y_train是训练标签 ret_y = ret_y[index] yield ret_X,ret_y if __name__ == "__main__": type = "train" # 数据生成器,每个mini-batch包含32个正样本(属于VOC 20个类别),96个负样本(background) RESIZE = (224, 224) path = "category_images" categories = os.listdir(path) categories.append('background') print(categories) train_1_datagen = ImageDataGenerator( rescale=1.0/255, #shear_range=0.2, #zoom_range=0.2, horizontal_flip=True) train_1_generator = train_1_datagen.flow_from_directory( 'category_images', target_size=RESIZE, batch_size=32, classes = categories) train_0_datagen = ImageDataGenerator( rescale=1.0 / 255, #shear_range=0.2, #zoom_range=0.2, horizontal_flip=True) train_0_generator = train_0_datagen.flow_from_directory( 'category_background', target_size=RESIZE, batch_size=32*3, classes=categories) generator = data_generator(train_1_generator,train_0_generator) # 创建模型 model = Model_CRNN_VGG16.CRNN_Model(input_shape=(*RESIZE,3)) cnn = model.CNN(len(categories)) if os.path.exists('weights-cnn.hdf5'): cnn.load_weights('weights-cnn.hdf5') if type == "train": checkpoint = ModelCheckpoint('weights-cnn.hdf5',save_weights_only=True) cnn.fit_generator(generator = generator,steps_per_epoch=200,epochs=1000,callbacks=[checkpoint]) else: img = next(generator)[0] result = cnn.predict(img) print(result) # 训练SVM # 非极大值抑制 # 预测

模型程序：

from keras.applications.vgg16 import VGG16from keras.layers import *from keras.models import Modelfrom keras.optimizers import SGD,Adam class CRNN_Model(): def __init__(self,input_shape,trainable=True): vgg16 = VGG16(include_top=False,weights="imagenet", input_shape=input_shape) for layer in vgg16.layers: layer.trainable = trainable self.base_model = vgg16 def CNN(self,classes): img_input = self.base_model.input x = self.base_model.get_layer('block5_conv3').output x = Flatten(name='crnn_flatten')(x) x = Dense(512,activation='relu', kernel_initializer='he_normal', name='crnn_fc1')(x) x = Dense(512,activation='relu', kernel_initializer='he_normal',name='crnn_fc2')(x) x = Dense(classes, activation='softmax', kernel_initializer='he_normal', name='crnn_predictions')(x) model = Model(img_input,x) sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) adam = Adam() model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy']) model.summary() return modelif __name__ == "__main__": pass

补充知识：val_acc一直不变

val_loss一直不变的原因

之前用keras编写了LSTM模型，做图片分类，自己划分了测试集和训练集，但是得到的结果是每个epoch训练的准确率都不变。

探索

我一直以为是我的数据的读取方式不对，我一直在从这方面下手，但是后来我发现根本不是这个原因，也找到了解决方案，具体原因有三点，三点是递进关系。

1.数据集样本各类别数量差距大

如果没有这种情况就看看第二点。

2.训练集和数据集是手动划分的，改为代码自动划分

代码如下：

X_train, X_test,Y_train, Y_test = train_test_split(data, labels, test_size=0.4, random_state=42)```

上述方法要多设置几个epoch，要有耐心的等，如果还是测试的准确率还是不变，那就可能是第二个原因。

3. 训练模型不适用，或者模型参数不恰当，建议调参，或者改算法

如果第一个方法还是不行那就可能是算法不适合这个数据集，可以打印混淆矩阵看一下，是不是分类错误率太高，比如我的数据集，做二分类，结果第二类全分到第一类了。

以上这篇浅谈keras使用预训练模型vgg16分类,损失和准确度不变就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。