嘉楠K510开发板的AI应用（四）——调优训练模型
[复制链接]
在上一篇（https://bbs.eeworld.com.cn/thread-1227686-1-1.html）中，我们尝试对一个三分类的模型使用584张图片进行训练，其结果似乎并不让人满意。轮次之间抖动太大，几乎可以说是没有承接性，分析后初步怀疑查看输入的三类图片中的部分图片尺寸过小，可能不能满足卷积的需要，重新调整图片源，尽可能保持各分类图片总数量不变（<300），修改后的图片集数量如下：
恐龙dinosaur：295（train236+test59）、热狗hotdog：260（train208+test52）、花卉flower：280（train225+test55），使得训练集和测试集的图片数量比值完全相同。
同时在导入图片集时，使用batch_size的值为20，恢复为缺省值32，期望扩大数据的多样性。
再次训练，解决了抖动，但出现了新的问题（过拟合），以ResNet50为例，训练曲线如下：
如之前分析的，loss有明显下降趋势，但val_loss几乎不发生变化，说明这个训练迭代过拟合（over fitting），造成过拟合的原因显然是因为样本数量太少，可训练参数过多。考虑到用于训练的电脑只是一个笔记本，平时还做其它使用，不希望通过增大数据集来加强训练效果，只能考虑优化模型，而之前ResNet50和InceptionV3几乎是最简状态，不是很方便修改，于是考虑在自建模型基础上进行调整，之前的训练参数：
Total params: 11,562,243
Trainable params: 11,562,243
Non-trainable params: 0
基本训练思路是多轮Conv2D卷积，拉平后再经过一次Dense的relu，最后分配到3分类的softmax中。考虑增加最大池化（MaxPooling）层和丢弃（Dropout）层，并将丢弃参数设置为0.2~0.3。再次尝试训练。调整后的参数降低至原训练参数的1/10：
Total params: 1,518,723
Trainable params: 1,518,723
Non-trainable params: 0
经过调优以后，曲线已较为平滑。
且可以看到，随着训练轮次增加，loss和val_loss降低，accuracy和val_accuracy增加。说明模型调整是非常有效的。下一步调整是进一步降低loss和提升accuracy。但就目前曲线来看，生成的模型已经初步具备使用价值。计划下一篇开始测试模型。
另：考虑论坛下载审核机制周期挺长，我直接把用到的代码放在楼下，大家如有兴趣，可以直接修改，当然如果引用，最好加上“来自电子工程世界eeworld，原作者是tobot”之类的话
| 
提升卡
变色卡
千斤顶
1/7 
京公网安备 11010802033920号
Copyright © 2005-2025 EEWORLD.com.cn, Inc. All rights reserved
