【火炉炼AI】深度学习007-Keras微调进一步提升性能
(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, Keras 2.1.6, Tensorflow 1.9.0)
本文使用微调（Fine-tune)技术来提升模型的性能，是前面的两篇文章（编号为005和006）的延续。前面我们通过迁移学习(文章006)将这个猫狗大战二分类问题的预测准确率提升到了90%左右，但是还能不能进一步提升了？
前面我们没有对VGG16的卷积层进行参数的优化，那么我们这里就可以来优化这部分的参数，当然，优化是很细微的调整，所以称为Fine-tune。
微调也不是对VGG16的所有结构参数都进行调整，而是仅仅调整后面几个卷积层的参数，因为有很多学者发现，对不同的数据集，VGG16提取的特征在底层基本一样，主要区别在于高层，即卷积层的后面几层，所以只需要对这几层进行修改即可。如下我们要调整的层数为：
可以看出，主要调整Conv block 5，前面的4个block不需调整。
我这篇博文主要参考了：keras系列︱图像多分类训练与利用bottleneck features进行微调（三），这篇博文也是参考的Building powerful image classification models using very little data，但我发现这两篇博文有很多地方的代码跑不起来，主要原因可能是Keras或Tensorflow升级造成的，所以我做了一些必要的修改。
1. 准备数据集
这一部分和前面文章（编号005）一模一样，故而省略。
2. 构建模型
在模型的构建上，相当于是取VGG16模型的“身子”，再加上自己定义的模型作为“头”，将这两部分加在一起，组成一个完整的模型，“身子”模型仍然采用VGG16在ImageNet上得到的weights，而“头”模型则采用我们上一篇文章中训练得到的weights，然后用这个模型来训练和预测，将“身子”的一部分weights和“头”的全部weights都进行调整。
这里有几个注意点：
1，自己定义的分类器模型作为“头”，但是“头”的weights不能是随机初始值，而应该用已经训练好的weights，因为随机初始值会产生较大的梯队，会破坏前面VGG16卷积层的预训练后weights。
2，微调仅仅针对VGG16网络的后面几层卷积层，而不是全部卷积层，是为了防止过拟合，整个模型结构具有绝大的熵容量，因此有很高的过拟合倾向。并且底层的特征更加具有一般性，不需要调整。
3，在learning rate上，训练“头”的weights时可以用较大的lr，使其快速收敛，而在微调阶段，需要用较小的lr，使其性能达到最优，并且使用的optimizer也通常使用SGD而不是其他自适应学习率的优化算法，比如RMSProp，就是为了保证每次改进的幅度比较低，以免破坏VGG16提取的特征。
# 上面的build_model2中间的my_model.layers[:25]要修改为my_model.layers[:15]，原博文此处也是错的。
# 4，构建模型
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Dropout, Flatten, Dense
from keras import applications
from keras import optimizers
from keras.models import Model
def build_model2():
base_model = applications.VGG16(weights='imagenet', include_top=False,input_shape=(IMG_W, IMG_H,IMG_CH))
# 此处我们只需要卷积层不需要全连接层，故而inclue_top=False,一定要设置input_shape，否则后面会报错
# 这一步使用applications模块自带的VGG16函数直接加载了模型和参数，作为我们自己模型的“身子”
# 下面定义我们自己的分类器，作为我们自己模型的“头”
top_model = Sequential()
top_model.add(Flatten(input_shape=base_model.output_shape[1:])) # 如果没有设置input_shape,这个地方报错，显示output_shape有很多None
top_model.add(Dense(256, activation='relu'))
top_model.add(Dropout(0.5))
top_model.add(Dense(1, activation='sigmoid')) # 二分类问题
top_model.load_weights('E:PyProjectsDataSetFireAIDeepLearningFireAI006/top_FC_model')
# 上面定义了模型结构，此处要把训练好的参数加载进来，
my_model = Model(inputs=base_model.input, outputs=top_model(base_model.output)) # 将“身子”和“头”组装到一起
# my_model就是我们组装好的完整的模型，也已经加载了各自的weights
# 普通的模型需要对所有层的weights进行训练调整，但是此处我们只调整VGG16的后面几个卷积层，所以前面的卷积层要冻结起来
for layer in my_model.layers[:15]: # 15层之前都是不需训练的，原博文此处也是错的。我晕。。。。
layer.trainable = False
# 模型的配置
my_model.compile(loss='binary_crossentropy',
optimizer=optimizers.SGD(lr=1e-4, momentum=0.9), # 使用一个非常小的lr来微调
metrics=['accuracy'])
return my_model
这个模型的构建中需要将不训练的层冻结，如上设置trainable=False即可，下面进行微调训练：
# 开始用train set来微调模型的参数
print('start to train model2')
my_model2=build_model2()
history_ft2 = my_model2.fit_generator(
train_generator,
steps_per_epoch=train_samples_num // batch_size,
epochs=epochs,
validation_data=val_generator,
validation_steps=val_samples_num // batch_size)
-------------------------------------输---------出--------------------------------
start to train model2
Epoch 1/20
125/125 [] - 727s 6s/step - loss: 0.3288 - acc: 0.8865 - val_loss: 0.2991 - val_acc: 0.9113
Epoch 2/20
125/125 [] - 732s 6s/step - loss: 0.1822 - acc: 0.9395 - val_loss: 0.2988 - val_acc: 0.9113
Epoch 3/20
125/125 [==============================] - 724s 6s/step - loss: 0.1557 - acc: 0.9445 - val_loss: 0.2742 - val_acc: 0.9125
...
Epoch 18/20
125/125 [] - 703s 6s/step - loss: 0.0260 - acc: 0.9905 - val_loss: 0.3304 - val_acc: 0.9313
Epoch 19/20
125/125 [] - 704s 6s/step - loss: 0.0138 - acc: 0.9955 - val_loss: 0.3267 - val_acc: 0.9413
Epoch 20/20
125/125 [==============================] - 705s 6s/step - loss: 0.0103 - acc: 0.9960 - val_loss: 0.3551 - val_acc: 0.9325
--------------------------------------------完-------------------------------------
在我这个破笔记本上训练非常耗时，20个epoch花了将近四个小时，唉。所以就不打算继续训练下去了。看一下loss和acc的结果：
可以看出test上的acc还可以继续改进一下，train 和test上的loss也没有达到平台期，可以增大epoch继续训练。但是也可以看出有些过拟合现象。
########################小**********结###############################
1，Fine-Tune的核心是对原始的骨架网络（此处为VGG16）进行参数的微调，所以需要用非常小的学习率，而且要用SGD优化器。
2，在使用微调之后，准确率从90%左右提升到了约93%，增加epoch数目可以提升的更多。
#################################################################
注：本部分代码已经全部上传到（我的github）上，欢迎下载。