筆記-深度學習模型訓練：利用殘差網路做影像辨識

前言

讀了許多理論，是時候實際動手做做看了，以下是我的模型訓練初體驗，有點糟就是了XD。

正文

def conv(filters, kernel_size, strides=1):
	return Conv2D(filters, 
									kernel_size, 
									strides=strides, 
									padding='same', 
									use_bias=True, 
									kernel_initializer='he_normal', 
									kernel_regularizer=l2(0.0001))

def residual_unit(filters):
	def f(x):
		x_b = x
		# x = BatchNormalization()(x)	2.加了似乎會過擬合​
		# x = Activation('relu')(x)	2.加了似乎會過擬合​
		x = conv(filters, 1)(x)

		x = BatchNormalization()(x)
		x = Activation('relu')(x)
		x = conv(filters, 3)(x)

		x = BatchNormalization()(x)
		x = Activation('relu')(x)
		x = conv(filters, 3)(x)

		# x = BatchNormalization()(x)	2.加了似乎會過擬合​
		# x = Activation('relu')(x)	2.加了似乎會過擬合​
		x = conv(64, 1)(x)

		return Add()([x, x_b])
	return f

input = Input(shape=(32, 32, 3))

x = conv(64, 1)(input)

for i in range(3):
	x = residual_unit(64)(x)

for i in range(4):
	x = residual_unit(128)(x)

for i in range(6):
	x = residual_unit(256)(x)

for i in range(3):
	x = residual_unit(512)(x)

x = BatchNormalization()(x)	# 1.沒加會訓練不起來
x = Activation('relu')(x)	# 1.沒加會訓練不起來

x = GlobalAveragePooling2D()(x)

output = Dense(10, activation='softmax', kernel_regularizer=l2(0.0001))(x)

model = Model(inputs=input, outputs=output)

以上是我的模型，架構參考《強化式學習：打造最強 AlphaZero 通用演算法》書中的範例，以及前面兩篇論文。

邊訓練會邊遇到問題而邊調整，還滿有趣的，只是要有耐心XD。上面的程式碼中標記"1."的地方，是一開始沒有加的程式行，沒加的話發現每回合的準確率(acc)都只有0.1，訓練不起來；"1."的地方加了之後有進展，也想說標記"2."的地方應該也要加，加了後觀察到驗證的acc落差的比訓練的acc有點多，應該是發生了過擬合，所以把"2."的地方又拿掉了。途中有遇到acc在回合間來回，調過learning rate後就好了。

以下是我的模型的訓練間紀錄和訓練後結果，因為那時候還沒買Colab Pro(Colab的付費方案)，為了趕在時間內跑完，訓練回合只設定了20(書是設定120)，而且也沒做正規化，所以跑出來的結果還滿差的，預測10個資料10個都錯XD​。

前12個epoch的訓練紀錄

後8個epoch的訓練紀錄

訓練準確率和驗證準確率每回合的比較圖

用測試資料測試結果模型的損失和準確

用前10筆測試資料測試結果模型，沒有一個是對的XD

第一次花四、五個小時訓練模型，雖然結果不甚滿意，但在過程中有學到東西，也算是有所收獲啦XD！

參考

• 《強化式學習：打造最強 AlphaZero 通用演算法》

小結

上一篇文章暫時被我隱藏起來了，因為發現有點問題，等確認後再發佈，跟各位說聲不好意思！繼續趕路，繼續留腳印(XD)，明天台中沒放颱風假QQXD～