ケラでVGGネットワークを少し実験しています。 私が使用するデータセットは、バラ、ヒマワリ、タンポポ、チューリップ、デイジーなど5クラスの花のデータセットです。 小さなCNNネットワーク（以下のコードではVGGではありません）を使用するとすぐに収束し、約8エポック後に約75％の検証精度に達しました。ケラを伴う花のデータセットのトレーニングvgg、妥当性の喪失が変わらない
次に、私はVGGネットワーク（コード内のコメントアウトされた領域）に切り替えました。 =================
エポック1/50 401分の402 [：ネットワークの損失と精度はちょうどそれを出力何かのように、全く変化しませんでした============= - 199秒495ms /刻み損失：13.3214 - acc：0.1713 - val_loss：13.0144 - val_acc：0.1926
エポック2/50 402501 [== ==============================================================================================================================================================================================================================
エポック3/50 402/401 [=============] - 204秒508ms /ステップ - 損失：13.3423 - acc：0.1722 - val_loss：13.0144 - val_acc：0.1926
エポック4/50 402/401 [===========] - 190秒472ms /ステップ - 損失：13.3522 - acc：0.1716 - val_loss：13.0144 - val_acc：0.1926
エポック5/50 402/401 [==================== ========] - 189秒471ms /ステップ - 損失：13.3364 - acc：0.1726 - val_loss：13.0144 - val_acc：0.1926
エポック6/50 402/401 [======= =========================== - 189秒471ms /ステップ - 損失：13.3453 - acc：0.1720 - val_loss：13.0144 - val_acc：0.1926 Epoch 7/50
エポック7/50 402/401 [=============] - 189秒471ms /ステップ - 損失：13.3503 - ACC：0.1717 - val_loss：13.0144 - val_acc：0.1926
PS：私は他のデータセットやフレームワーク（tensorflowとスリムでplace365データセット）で、この実験を行いました。結果はまったく同じです。私はVGGの論文（Simonyan & Zisserman）を見てきました。ステージAからステージEまで、さまざまなネットワーク構造を持つような、VGGのような深いネットワークを訓練するための複数のステージがあります。私は、VGGの論文に書かれているのと同じ方法で私のVGGネットワークを訓練しなければならないかどうかはわかりません。その他のオンラインコースでは、この複雑なトレーニングプロセスについても言及していませんでした。 誰もがアイデアを持っていますか？
マイコード：解決
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 224, 224
train_data_dir = './data/train'
validation_data_dir = './data/val'
nb_train_samples = 3213
nb_validation_samples = 457
epochs = 50
batch_size = 8
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
# random cnn model:
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(5))
model.add(Activation('softmax'))
# vgg model:
'''model = Sequential([
Conv2D(64, (3, 3), input_shape=input_shape, padding='same',
activation='relu'),
Conv2D(64, (3, 3), activation='relu', padding='same'),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(128, (3, 3), activation='relu', padding='same'),
Conv2D(128, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(256, (3, 3), activation='relu', padding='same',),
Conv2D(256, (3, 3), activation='relu', padding='same',),
Conv2D(256, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
Conv2D(512, (3, 3), activation='relu', padding='same',),
MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
Flatten(),
Dense(256, activation='relu'),
Dense(256, activation='relu'),
Dense(5, activation='softmax')
])'''
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
model.save_weights('flowers.h5')