Keras -分类器不从预训练模型的转移值中学习

Question

我目前正在尝试使用一个预先训练好的网络，并在this dataset上进行测试。最初，我使用的是VGG19，最后只对分类器进行了微调，以适应我的120个类。我让所有的层都可以训练，也许可以通过更深入的训练来提高性能。问题是这个模型非常慢(即使我让它运行一晚，我也只得到了几个时期，并且达到了45%左右的准确率-我有一台GPU GTX 1070)。

然后，我的想法是冻结这个模型中的所有层，因为我只有10k的图像，并且只训练最后几个密集的层，但它仍然不是很快。

在看了this video (大约2分30秒)后，我决定用InceptionResnetv2复制传递值的原理。

我处理了每一张图片，并用下面的代码将输出保存在numpy矩阵中。

# Loading pre-trained Model + freeze layers
model = applications.inception_resnet_v2.InceptionResNetV2(
        include_top=False, 
        weights='imagenet', 
        pooling='avg')

for layer in model.layers:
    layer.trainable = False

# Extraction of features and saving
a = True
for filename in glob.glob('train/resized/*.jpg'):
    name_img = os.path.basename(filename)[:-4]
    class_ = label[label["id"] == name_img]["breed"].values[0]
    input_img = np.expand_dims(np.array(Image.open(filename)), 0)
    pred = model.predict(input_img)
    if a:
        X = np.array(pred)
        y = np.array(class_)
        a = False
    else:
        X = np.vstack((X, np.array(pred)))
        y = np.vstack((y, class_))

np.savez_compressed('preprocessed.npz', X=X, y=y)

X是形状为(10222,1536)的矩阵，y是(10222，1)。

之后，我设计了我的分类器(几种拓扑结构)，我不知道为什么它不能执行任何学习。

# Just to One-Hot-Encode labels properly to (10222, 120)
label_binarizer = sklearn.preprocessing.LabelBinarizer()
y = label_binarizer.fit_transform(y)

model = Sequential()
model.add(Dense(512, input_dim=X.shape[1]))
# model.add(Dense(2048, activation="relu"))
# model.add(Dropout(0.5))
# model.add(Dense(256))
model.add(Dense(120, activation='softmax'))

model.compile(
    loss = "categorical_crossentropy", 
    optimizer = "Nadam", # I tried several ones
    metrics=["accuracy"]
)

model.fit(X, y, epochs=100, batch_size=64, 
          callbacks=[early_stop], verbose=1, 
          shuffle=True, validation_split=0.10)

您可以在下面找到模型的输出：

Train on 9199 samples, validate on 1023 samples
Epoch 1/100
9199/9199 [==============================] - 2s 185us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137
Epoch 2/100
9199/9199 [==============================] - 1s 100us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137
Epoch 3/100
9199/9199 [==============================] - 1s 98us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137
Epoch 4/100
9199/9199 [==============================] - 1s 96us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137
Epoch 5/100
9199/9199 [==============================] - 1s 99us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137
Epoch 6/100
9199/9199 [==============================] - 1s 96us/step - loss: 15.9639 - acc: 0.0096 - val_loss: 15.8975 - val_acc: 0.0137

我试着改变拓扑结构，激活函数，添加dropouts，但没有任何东西能带来任何改进。

我不知道我做这件事的方式出了什么问题。X矩阵是否不正确？难道不允许只使用预先训练好的模型作为特征提取器，然后使用第二个模型进行分类吗？

非常感谢你的反馈，向你致敬，尼古拉斯