我的毕业设计是使用CNN模型上的转移学习,它可以从胸部X光图像中诊断新冠肺炎。利用贝叶斯优化器利用Keras调谐器库对完全连通层数、层中节点数、学习速率、下降率等超参数进行微调,得到了很好的结果,多类分类的测试准确率为98%,二进制分类的测试准确率为99%。然而,我冻结了所有的层在原来的基础模型。我只微调了最后一个完全连接的层后,详尽的超参数优化。大多数的文章和论文说,他们精细的完全连接的层,以及一些卷积层。我做错什么了吗?恐怕这太好了,不可能是真的。
我的数据集没有那么大,只有7000张来自卡格尔新冠肺炎比赛的图片。
在训练和分类之前,我在图像上使用了not等图像增强技术,与不增强图像相比,提高了图像的准确率。
我同样做了多个先进的模型,如VGG-16和ResNet50,他们都给了我极好的结果。
发布于 2021-02-11 04:07:07
如果您的意思是“只对最后一个完全连接的层进行微调”,那么没有,您就没有。
你可以选择微调你选择的任何一层,但最重要的是模型的最后一层,这就是你所做的,所以你很适合去做。
https://stackoverflow.com/questions/66145265
复制相似问题