CNN Keras model.fit и model.fit_generator - PullRequest
Новая
       0

CNN Keras model.fit и model.fit_generator

0 голосов
/ 07 марта 2020

Я пробовал model.fit () и model.fit_generator (), но результат показывает, что model.fit () имеет лучший результат по сравнению с model.fit_generator (). Я хотел бы расширить обучающий набор, таким образом, я использовал ImageDataGenerator () и model.fit_generator (). Ниже приведен график с model.fit () и model.fit_generator (). enter image description here

Как видите, model.fit () имеет лучшую точность проверки и потери проверки по сравнению с model.fit_generator (). Ниже мой код CNN. 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=2)

model = Sequential()

# filters, kernel size, input size
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=X.shape[1:], padding='Same'))
model.add(Conv2D(32, (3, 3), activation='relu', padding='Same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu', padding='Same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Dense(3, activation='softmax'))

tensorboard = TensorBoard(log_dir="CNN_Model_Rebuilt/logs/{}".format(NAME))
augmented_checkpoint = ModelCheckpoint(
    'CNN_Model_Rebuilt/best model/' + NAME + '-best.h5',
    monitor='val_loss', verbose=0,
    save_best_only=True, mode='auto')
es = EarlyStopping(monitor='val_loss',
                   min_delta=0,
                   patience=20,
                   verbose=0, mode='auto')

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

datagen = ImageDataGenerator(
    featurewise_center=False,  # set input mean to 0 over the dataset
    samplewise_center=False,  # set each sample mean to 0
    featurewise_std_normalization=False,  # divide inputs by std of the dataset
    samplewise_std_normalization=False,  # divide each input by its std
    zca_whitening=False,  # apply ZCA whitening
    rotation_range=10,  # randomly rotate images in the range (degrees, 0 to 180)
    zoom_range=0.1,  # Randomly zoom image
    width_shift_range=0.1,  # randomly shift images horizontally (fraction of total width)
    height_shift_range=0.1,  # randomly shift images vertically (fraction of total height)
    horizontal_flip=False,  # randomly flip images
    vertical_flip=False)  # randomly flip images

datagen.fit(X_train)

epochs = 50
batchsize = 16

history = model.fit_generator(datagen.flow(X_train, to_categorical(y_train), batch_size=batchsize),
                              epochs=epochs, validation_data=(X_test, to_categorical(y_test)),
                              verbose=2, steps_per_epoch=X-train.shape[0], callbacks= 
                              [augmented_checkpoint, tensorboard, es])

Есть ли у кода проблемы? Любое предложение будет благодарно. Спасибо.

1 Ответ

1 голос
/ 07 марта 2020

Они должны давать одинаковые результаты на тех же данных. Я заметил, что в вашем коде у вас есть datagen.fit (X_train). Вам это не нужно, так как у вас есть featurewise_center = False, samplewise_center = False, featurewise_std_normalization = False, featureewise_std_normalization = False и zca_whitening = False. Вы показываете свой код для model.fit_generator, но не для model.fit. Использовали ли вы один и тот же генератор данных для ввода данных в model.fit? Ваш генератор дополняет данные, поэтому данные обучения изменяются генератором. Если у вас нет одинаковых данных для model.fit и model.fit_generator, вы получите разные результаты. Также обратите внимание, что параметры в model.fit и model.fit_generator не идентичны. Убедитесь, что вы выбираете данные обучения и проверки одинаково для обоих случаев. Также вы использовали поток из каталога? Вы установили размер пакета в потоке из каталога с генератором подгонки таким же, как размер пакета для model.fit.

...