我正在使用Food-101数据集构建分类器。数据集具有预定义的训练和测试集,均已标记。它总共有101,000张图像。我正在尝试为top-1建立一个准确度> = 90%的分类器模型。我目前坐在75%的位置。训练集不干净。但是现在,我想知道一些可以改进模型的方法,以及我做错了哪些事情。
我已经将火车和测试图像划分到各自的文件夹中。在这里,我使用训练数据集中的0.2,通过运行5个时期来验证学习者。
np.random.seed(42)
data = ImageList.from_folder(path).split_by_rand_pct(valid_pct=0.2).label_from_re(pat=file_parse).transform(size=224).databunch()
top_1 = partial(top_k_accuracy, k=1)
learn = cnn_learner(data, models.resnet50, metrics=[accuracy, top_1], callback_fns=ShowGraph)
learn.fit_one_cycle(5)
epoch train_loss valid_loss accuracy top_k_accuracy time
0 2.153797 1.710803 0.563498 0.563498 19:26
1 1.677590 1.388702 0.637096 0.637096 18:29
2 1.385577 1.227448 0.678746 0.678746 18:36
3 1.154080 1.141590 0.700924 0.700924 18:34
4 1.003366 1.124750 0.707063 0.707063 18:25
在这里,我试图找到学习率。讲座中的标准:
learn.lr_find()
learn.recorder.plot(suggestion=True)
LR Finder is complete, type {learner_name}.recorder.plot() to see the graph.
Min numerical gradient: 1.32E-06
Min loss divided by 10: 6.31E-08
以1e-06的学习率运行另外5个时期。保存为第二阶段
learn.fit_one_cycle(5, max_lr=slice(1.e-06))
learn.save('stage-2')
epoch train_loss valid_loss accuracy top_k_accuracy time
0 0.940980 1.124032 0.705809 0.705809 18:18
1 0.989123 1.122873 0.706337 0.706337 18:24
2 0.963596 1.121615 0.706733 0.706733 18:38
3 0.975916 1.121084 0.707195 0.707195 18:27
4 0.978523 1.123260 0.706403 0.706403 17:04
以前我总共运行了3个阶段,但是模型没有超出0.706403的改善,因此我不想重复。以下是我的混淆矩阵。我为糟糕的决议表示歉意。它是在做Colab。
由于创建了额外的验证集,因此我决定使用测试集来验证保存的Stage-2模型,以查看其性能如何:
path = '/content/food-101/images'
data_test = ImageList.from_folder(path).split_by_folder(train='train', valid='test').label_from_re(file_parse).transform(size=224).databunch()
learn.load('stage-2')
learn.validate(data_test.valid_dl)
结果如下:
[0.87199837, tensor(0.7584), tensor(0.7584)]
尝试从Torchvision转换中进行增强,例如RandomHorizontalFlip,RandomResizedCrop,RandomRotate,Normalize等。这些总是对分类问题有很大帮助。
标签平滑和/或混合精度训练。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句