【调参记录】基于CNN对5类花卉植物数据一步步提升分类准确率

背景

学习深度学习的框架，积累调参经验

数据集

5类花卉图像数据，分别是向日葵、郁金香、玫瑰、蒲公英、雏菊，每类花卉在700到1000张左右，图像尺寸大小不统一，常见尺寸是320x240，数据并不干净，有些混杂的图片。
任务是利用CNN方法对其进行分类识别。

模型记录

1.基本CNN模型进行分类

• 卷积层1：32个卷积核、大小5x5、步数1，激活函数ReLU，最大池化、步数2，输入150x150x3
• 卷积层2：64个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 卷积层3：96个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 卷积层4：96个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 全连接层1：512个神经元，激活函数ReLU
• 全连接层2：256个神经元，激活函数ReLU
• 分类层：5个神经元，激活函数softmax

batch_size=16，epoch=50。
效果如下，并不理想，出现了过拟合，识别率在65%左右，val_loss不减反增，令人畏惧。

2.数据增强

在上面的基础上，加上了图像增强处理，具体方式是，随机旋转范围10度，随机缩放0.9~1.1范围，水平和竖直偏移为范围0.2。
epoch还是50，效果如下，识别率在77%左右，loss_val下降后反弹，波动较大，训练loss持续下降，似乎可以继续下降：

3.模型改进

在上面的基础上，对cnn模型进行改进，添加了权重衰减、Dropout层、批正则化层（BN）

• 卷积层1：32个卷积核、大小5x5、步数1，激活函数ReLU，最大池化、步数2，输入150x150x3
• 加入BN层，介于卷积层和池化层之间
• 卷积层2：64个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 加入BN层，介于卷积层和池化层之间
• 卷积层3：96个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 加入BN层，介于卷积层和池化层之间
• 卷积层4：96个卷积核、大小3x3、步数1，激活函数ReLU，最大池化、步数2
• 加入BN层，介于卷积层和池化层之间
• 全连接层1：512个神经元，激活函数ReLU，加入权重衰减
• 加入Dropout层，0.3
• 全连接层2：256个神经元，激活函数ReLU，加入权重衰减
• 加入Dropout层，0.3
• 分类层：5个神经元，激活函数softmax

epoch150，效果如下，发现最后的识别率在83%左右。

4.自调整学习率

规则是，如果在5个epoch内，val识别率还是不增加，就让lr变为原来的0.1倍

epoch50，batch_size增加，效果如下，loss趋于平坦，识别率在85%左右，说明合适的学习率很重要，但是最后lr变成了1e-10甚至以下，loss平坦，说明lr越小，收敛越没有效果。

5.增加cnn网络深度

方法是在每个卷积层后面repeat同样数量的2个卷积层。效果就不上传了，只提升了0.5%~1%左右的识别率。

总结

1.卷积核尺寸不能超过图像尺寸，否则训练下来没什么效果
2.过拟合时候，采用合适的数据增强十分有效，而且对于训练效果也很有帮助，数据增强中，水平翻转比竖直翻转更有效，因为没有倒立的花朵，其他方法也可以多尝试下。
3.在预处理阶段，让X_train归一化会具有一定效果
4.在网络改进中，BN层（批正则化，让数据分布均匀）的加入和dropout层（随机失效，避免过拟合）的效果尤为明显
5.深度网络似乎并没有什么很明显的提升，甚至可能会导致梯度问题，但是深度网络的理解能力肯定要比非深度网络要好。
6.学习率的选择非常重要，越大，收敛越快，但达不到最优的点，越小，收敛越慢，可能会导致局部最优。在训练中自适应调整是一种很好的方法。
7.基本cnn：65%，数据增强：77%左右，模型改进83%左右，自适应调整学习率，85%左右，深度cnn网络，没有很明显的提升。

附个图

参考链接：
https://www.kaggle.com/alxmamaev/flowers-recognition（数据集来源）
https://zhuanlan.zhihu.com/p/29534841（受启发的文章）

要代码的人比较多，所以公开数据集+代码的百度网盘链接：
链接：https://pan.baidu.com/s/1-0u55gO38V0PckMZ0IyYSA
提取码：wkhi