efficientnet.tfkeras对tf.keras.applications.efficientnet
efficientnet.tfkeras对tf.keras.applications.efficientnet
提问于 2020-09-23 14:31:08
我正在尝试使用高效网络来定制我的数据集。
我发现所有其他代码/data/config都是相同的。tf.keras.applications.efficientnet.EfficientNetB0只给出70%的准确率，efficientnet.tfkeras.EfficientNetB0可以给出90%的训练/预测累积性。
但我想两者都应该实现相同的高效网络，还是我在这里遗漏了什么呢？
我正在使用最新的效率网和Tensorflow 2.3.0
with strategy.scope():
model = tf.keras.Sequential([
efficientnet.tfkeras.EfficientNetB0( #tf.keras.applications.efficientnet.EfficientNetB0
input_shape=(IMAGE_SIZE, IMAGE_SIZE, 3),
weights='imagenet',
include_top=False
),
L.GlobalAveragePooling2D(),
L.Dense(1, activation='sigmoid')
])
model.compile(
optimizer='adam',
loss='binary_crossentropy',
metrics=['binary_crossentropy']
)
model.summary()回答 1
Stack Overflow用户
回答已采纳
发布于 2021-02-12 09:55:52
我在EfficientNetB4中遇到了同样的问题，并遇到了以下问题：
- 总参数的数目不相等。可训练参数相等，但不可训练参数不相等，efficientnet.tfkeras的不可训练参数比tf.keras.applications模型少7个。
- 层数不相等，efficientnet.tfkeras的层数比tf.keras.application模型少。
- 不同的层刚刚开始，最值得注意的是规范化和重标度层，它们在tf.keras.applications模型中，而在efficientnet.tfkeras模型中没有。您可以使用model.summary()方法亲自观察这一点。
- 在应用此层时，通过使用model.layers我，它会将图像除以255，然后根据以下内容进行规范化处理，从而使图像恢复正常：
(input_image - IMAGENET_MEAN) / square_root(IMAGENET_STD)
因此，本文将图像归一化技术引入到模型中。当您对输入图像执行这种标准化时，图像将被标准化两次，导致极小的像素值。因此，这一模式将很难学习。
TLDR:不要将输入图像标准化，因为它是在tf.keras.application模型中构建的，输入图像的值应该在0-255范围内。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/64030221
复制相关文章
相似问题
腾讯云开发者
