使用迁移学习时如何使用增强数据？

Question

我使用 VGG16 进行迁移学习，但准确率很低。使用迁移学习时是否可以使用数据增强技术来提高准确性？

Following is the code for better understanding:


# Show the image paths
train_path = 'myNetDB/train'      # Relative Path
valid_path = 'myNetDB/valid'
test_path = 'myNetDB/test'

train_batches = ImageDataGenerator().flow_from_directory(train_path, target_size=(224, 224), classes=['dog', 'cat'], batch_size=10)
valid_batches = ImageDataGenerator().flow_from_directory(valid_path, target_size=(224, 224), classes=['dog', 'cat'], batch_size=4)
test_batches = ImageDataGenerator().flow_from_directory(test_path, target_size=(224, 224), classes=['dog', 'cat'], batch_size=10)


vgg16_model= load_model('Fetched_VGG.h5') 

# transform the model to Sequential
model= Sequential()
for layer in vgg16_model.layers[:-1]: 
    model.add(layer)

# Freezing the layers (Oppose weights to be updated)
for layer in model.layers:
    layer.trainable = False

# adding the last layer
model.add(Dense(2, activation='softmax'))

model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])
model.fit_generator(train_batches, steps_per_epoch=4,
                    validation_data=valid_batches, validation_steps=4, epochs=5, verbose=2)


predictions = model.predict_generator(test_batches, steps=1, verbose=0)

Answer 1

如果你的准确率很低，可能是因为你的数据集与训练 VGG16 的数据集有很大不同。有两种可能：

您的数据集足够大，您可以从预训练的权重开始训练您的模型。
您的数据集很小。在这种情况下，没有捷径。您应该考虑一个比 VGG16 更简单的模型，这样您就不太可能发生过度拟合。

在这两种情况下，为了回答您的问题，是的，有意识地进行增强技术有助于提高准确性。

使用迁移学习时如何使用增强数据？

How to use augumented data when using transfer learning?

deep-learning

keras

tensorflow

transfer-learning

data-augmentation