我正在尝试使用预训练的Inception V3模型对两个不同的类别进行图像分类。我的数据集大约有1400张图像，大致平衡。当我运行程序时，在最初几个epoch的结果不太准确。这在训练模型时是正常的吗？
epochs = 175batch_size = 64#include_top = false to accomodate new classes base_model = keras.applications.InceptionV3( weights ='imagenet', include_top=False, input_shape = (img_width,img_height,3))#Classifier Model ontop of Convolutional Modelmodel_top = keras.models.Sequential()model_top.add(keras.layers.GlobalAveragePooling2D(input_shape=base_model.output_shape[1:], data_format=None)),model_top.add(keras.layers.Dense(350,activation='relu'))model_top.add(keras.layers.Dropout(0.4))model_top.add(keras.layers.Dense(1,activation = 'sigmoid'))model = keras.models.Model(inputs = base_model.input, outputs = model_top(base_model.output))#freeze the convolutional layers of InceptionV3for layer in model.layers[:30]:layer.trainable = False#Compiling model using Adam Optimizer model.compile(optimizer = keras.optimizers.Adam( lr=0.000001, beta_1=0.9, beta_2=0.999, epsilon=1e-08), loss='binary_crossentropy', metrics=['accuracy'])
使用我当前的参数，测试一组独立的图像时，准确率仅为89%，测试损失为0.3。我是否需要添加更多的层到我的模型中来提高这个准确率？
回答：
你的代码有几个问题…
首先，你构建model_top的方式相当不寻常（在我看来也相当混乱）；在这种情况下，文档示例是你最好的朋友。所以，首先用下面的代码替换你的model_top部分：
x = base_model.outputx = GlobalAveragePooling2D()(x)x = Dense(350, activation='relu')(x)x = Dropout(0.4)(x)predictions = Dense(1, activation='sigmoid')(x)# this is the model we will trainmodel = Model(inputs=base_model.input, outputs=predictions)请注意，我没有改变你选择的参数 – 你当然可以尝试在密集层中使用更多的单元（文档中的示例使用1024）…
其次，不清楚你为什么选择只冻结InceptionV3的30层，而它总共有311层：
len(base_model.layers)# 311所以，也用下面的代码替换这一部分：
for layer in base_model.layers: layer.trainable = False第三，你的学习率似乎太小了；Adam优化器应该能够在默认参数下很好地工作，所以我建议你简单地编译模型如下：
model.compile(optimizer = keras.optimizers.Adam(), loss='binary_crossentropy', metrics=['accuracy'])