我正在尝试创建一个面部识别检测器,使用三重态损失,然后是kNN算法。
我有大约10000输入图像与3个不同的类,输入大小为80x80。模型结构使用具有imagenet权重的resnet,然后是几个密集的嵌入层:
base_cnn = resnet.ResNet50(
weights="imagenet", input_shape=image_input_shape, include_top=False
)
trainable = False
for layer in base_cnn.layers:
layer.trainable = trainable
x = Flatten()(base_cnn.output)
x = Dense(128, activation="relu", kernel_regularizer=tf.keras.regularizers.l2(0.0001))(x)
x = BatchNormalization()(x)
x = Dropout(0.5)(x)
output = Dense(embedding_size)(x)
embedding = Model(base_cnn.input, output, name="Embedding")问题是培训损失很小,但验证损失几乎没有减少(如果有的话):

我认为这是由于过度适应,但我已经添加了我能想到的一切,以防止这种情况(辍学,规范和我发挥了学习率)。我猜想数据集的大小是问题所在,但希望通过使用传输学习,我能够在这个数据集中获得良好的结果。
对于如何解释这一点,以及如何改善验证损失,有什么建议吗?
提前谢谢。
https://datascience.stackexchange.com/questions/101868
复制相似问题