我尝试编写我的第一个tensorflow代码，但是它具有很高的训练精度，但验证精度很低，并且剂量不变。谁能帮我吗？
我尝试使用Inception v3 net进行分类以对4种图像进行分类。我使用了keras应用程序的初始网络。
train_files = tf.data.Dataset.list_files(r"\train\train*", seed = 36)
validation_files = tf.data.Dataset.list_files(r"\test\test*", seed = 8)
standard_image_shape = tf.stack([299, 299, 3])
batch_size = 64
num_classes = 4
epochs = 2000
train_steps_per_epoch = 6500
vali_steps_per_epoch = 735
def train_preprocess(image):
image = tf.image.random_flip_left_right(image)
image = tf.image.random_brightness(image=image, max_delta=32/255)
image = tf.image.random_contrast(image, 0.5, 1.5)
image = tf.image.random_hue(image, 0.2)
return image
def decode_example(example_proto):
image_feature_description = {
'image/height': tf.io.FixedLenFeature([], tf.int64),
'image/width': tf.io.FixedLenFeature([], tf.int64),
'image/colorspace': tf.io.FixedLenFeature([], tf.string),
'image/channels': tf.io.FixedLenFeature([], tf.int64),
'image/class/label': tf.io.FixedLenFeature([], tf.int64),
'image/class/raw': tf.io.FixedLenFeature([], tf.int64),
'image/class/source': tf.io.FixedLenFeature([], tf.int64),
'image/class/text': tf.io.FixedLenFeature([], tf.string),
'image/format': tf.io.FixedLenFeature([], tf.string),
'image/filename': tf.io.FixedLenFeature([], tf.string),
'image/id': tf.io.FixedLenFeature([], tf.int64),
'image/encoded': tf.io.FixedLenFeature([], tf.string),
} parsed_features = tf.io.parse_single_example（example_proto，image_feature_description） 高度= tf.cast（parsed_features ['image / height']，tf.int32） 宽度= tf.cast（parsed_features ['image / width']，tf.int32） 频道= tf.cast（parsed_features ['image / channels']，tf.int32） label = tf.cast（parsed_features ['image / class / label']，tf.int32） image_buffer = parsed_features ['image / encoded'] 图片= tf.io.decode_jpeg（图片缓冲区，频道= 3） 图片= tf.cast（图片，tf.float32）/ 255 图片= tf.image.resize（图片[299，299]） 返回图片，标签
def decode_train_example(example_proto):
image_feature_description = {
'image/height': tf.io.FixedLenFeature([], tf.int64),
'image/width': tf.io.FixedLenFeature([], tf.int64),
'image/colorspace': tf.io.FixedLenFeature([], tf.string),
'image/channels': tf.io.FixedLenFeature([], tf.int64),
'image/class/label': tf.io.FixedLenFeature([], tf.int64),
'image/class/raw': tf.io.FixedLenFeature([], tf.int64),
'image/class/source': tf.io.FixedLenFeature([], tf.int64),
'image/class/text': tf.io.FixedLenFeature([], tf.string),
'image/format': tf.io.FixedLenFeature([], tf.string),
'image/filename': tf.io.FixedLenFeature([], tf.string),
'image/id': tf.io.FixedLenFeature([], tf.int64),
'image/encoded': tf.io.FixedLenFeature([], tf.string),
} parsed_features = tf.io.parse_single_example（example_proto，image_feature_description） 高度= tf.cast（parsed_features ['image / height']，tf.int32） 宽度= tf.cast（parsed_features ['image / width']，tf.int32） 频道= tf.cast（parsed_features ['image / channels']，tf.int32） label = tf.cast（parsed_features ['image / class / label']，tf.int32） image_buffer = parsed_features ['image / encoded'] 图片= tf.io.decode_jpeg（图片缓冲区，频道= 3） 图片= tf.cast（图片，tf.float32）/ 255 图片= tf.image.central_crop（图片，0.7） 图片= tf.image.resize（图片[299，299]） 图片= train_preprocess（图片） 返回图片，标签
def processed_dataset(filenames):
dataset = filenames.interleave(lambda x: tf.data.TFRecordDataset(x), cycle_length=46)
dataset = dataset.map(decode_example)
dataset = dataset.shuffle(buffer_size=20000, seed=6)
dataset = dataset.repeat()
dataset = dataset.batch(batch_size)
return dataset
def processed_train_dataset(filenames):
dataset = filenames.interleave(lambda x: tf.data.TFRecordDataset(x), cycle_length=407)
dataset = dataset.map(decode_train_example)
dataset = dataset.shuffle(buffer_size=40000, seed=6)
dataset = dataset.repeat()
dataset = dataset.batch(batch_size)
return dataset
def data_generator(dataset):
iter = tf.compat.v1.data.make_one_shot_iterator(dataset)
batch = iter.get_next()
while True:
yield tuple(batch)
train_data = processed_train_dataset(train_files)
validation_data = processed_dataset(validation_files)
model = tf.keras.applications.inception_v3.InceptionV3(include_top=True, weights=None, input_tensor=None, input_shape=None, pooling=None, classes=4)
def step_decay(epoch):
initial_lrate = 0.015
drop = 0.94
epochs_drop = 2.0
lrate = initial_lrate * math.pow(drop,
math.floor((1+epoch)/epochs_drop))
return lrate
model.compile(loss='sparse_categorical_crossentropy',
optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.015, momentum=0.9, epsilon=0.1, decay=0.9, rho=0.9),
metrics=['accuracy'])
checkpoint_cb = tf.keras.callbacks.ModelCheckpoint("classification_model_crop.h5",
save_best_only=True)
early_stopping_cb = tf.keras.callbacks.EarlyStopping（patience = 10，
restore_best_weights = True）
lrate = tf.keras.callbacks.LearningRateScheduler(step_decay)
history = model.fit_generator(
data_generator(train_data),
steps_per_epoch=train_steps_per_epoch,
epochs=epochs,
verbose=1,
callbacks=[lrate, checkpoint_cb, early_stopping_cb],
validation_data=data_generator(validation_data),
validation_steps=vali_steps_per_epoch,
workers = 0 # runs generator on the main thread
)
它可以运行，但结果非常糟糕。 时代1/2000 6500/6500 [==============================]-5546s 853ms / step-损耗：0.5267-精度：0.9660-val_loss ：2.7306-val_accuracy：0.4531 时代2/2000 6500/6500 [==============================]-3088s 475ms / step-损耗：0.5115-精度：0.9688-val_loss ：2.7646-val_accuracy：0.4531 时代3/2000 6500/6500 [==============================]-3093s 476ms / step-损耗：0.5106-精度：0.9688-val_loss ：2.7780-val_accuracy：0.4531 时代4/2000 6500/6500 [==============================]-3086s 475ms / step-损耗：0.5101-精度：0.9688-val_loss ：2.7845-val_accuracy：0.4531 时代5/2000 6500/6500 [==============================]-3088s 475ms / step-损耗：0.5099-精度：0.9688-val_loss ：2.7887-val_accuracy：0.4531 时代6/2000 6500/6500 [==============================]-3087s 475ms / step-损耗：0.5097-精度：0.9688-val_loss ：2.7913-val_accuracy：0.4531 时代7/2000 6500/6500 [==============================]-3089s 475ms / step-损耗：0.5096-精度：0.9688-val_loss ：2.7934-val_accuracy：0.4531 时代8/2000 6500/6500 [==============================]-3087s 475ms / step-损耗：0.5095-精度：0.9688-val_loss ：2.7948-val_accuracy：0.4531 时代9/2000 6500/6500 [==============================]-3090s 475ms / step-损耗：0.5094-精度：0.9688-val_loss ：2.7961-val_accuracy：0.4531 时代10/2000 6500/6500 [==============================]-3086s 475ms / step-损耗：0.5094-精度：0.9688-val_loss ：2.7971-val_accuracy：0.4531 时代11/2000 6500/6500 [==============================]-3085s 475ms / step-损耗：0.5093-精度：0.9688-val_loss ：2.7978-val_accuracy：0.4531