Resnet50网络训练，测试集上表现很好，部署时准确度下降严重

最新推荐文章于 2024-07-11 23:31:47 发布
最新推荐文章于 2024-07-11 23:31:47 发布
阅读量119 收藏
点赞数 3
文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/J_J_Gong/article/details/137752228
版权

在初始化网络并导入训练好的模型后，进行推理前记得使用命令：

model.eval()

虽然是个很zhizhang的问题，但还是困扰了我好几个小时，我先是在训练代码上，使用val部分的代码单独跑一个数据发现是对的，在部署代码上就是不对，细查才发现这个没有加，绷不住了

cd_JJGong
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Resnet50 验证集的准确率很低
weixin_45974478的博客
03-08 6363
在进行图像分类时使用到了Resnet50深度学习网络框架。但在训练时，发现其验证集的准确率很低。应该是发生了过拟合。 然后增加epoch或者调节参数效果都微乎其微。 上网搜到以下几种方法：（还未试验） 1.不仅在model.fit（）函数中shuffle=True，还要： (28条消息) 训练模型的准确率很高，但是验证集准确率特别低_bi_diu1368的专栏-CSDN博客_训练集准确率高,测试集准确率低 2.增加验证集比率。因为这里我训练集大概占比8：1，似乎不是很合理。 3.bn层.
resNet50对应训练数据集 对鸟类进行分类 可适用于任何图片多分类模型 对应J1天的学习内容
06-01
7. 迁移学习：ResNet50是一个预训练模型，可以利用ImageNet上已学习到的通用特征，快速适应新的分类任务。 8. 防止过拟合策略：包括早停、正则化、Dropout和数据增强等。 在J1天的学习内容中，你可能首先会接触到...
经典神经网络(6)ResNet及其在Fashion-MNIST数据集上的应用
qq_44665283的博客
05-31 1714
经典神经网络(6)ResNet及其在Fashion-MNIST数据集上的应用
MNIST 数据集详析：使用残差网络RESNET识别手写数字（文末送书）
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！
01-23 4865
MNIST手写数字数据库具有60,000个示例的训练集和10,000个示例的测试集，MNIST的图像，每张图片是包含28 像素× 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）。
使用resnet， inception3进行fine-tune出现训练集准确率很高但验证集很低的问题
datayx的文章
10-03 3622
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx最近用keras跑基于resnet50，inception3的一些迁移学习的实验，遇...
Pytorch实现：使用ResNet18网络训练Cifar10数据集，测试集准确率达到95.46%(从0开始，不使用预训练模型)
01-06
本文将介绍如何使用数据增强和模型修改的方式，在不使用任何预训练模型参数的情况下，在ResNet18网络上对Cifar10数据集进行分类任务。在测试集上，我们的模型准确率可以达到95.46%。在Kaggle的Cifar10比赛上，我训练...
Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码
02-05
# Resnet50卷积神经网络训练MNIST手写数字图像分类 Pytorch训练代码 1. 使用Pytorch定义ReNet50网络模型； 2. 使用Pytorch加载MNIST数据集，首次运行自动下载； 3. 实现训练MNIST手写数字图像分类，训练过程显示loss...
卷积神经网络ResNet50训练CIFAR-100图像分类Pytorch实现
07-03
3. 包含训练了50 epochs的模型，在CIFAR-100测试集上准确率62%； 4. 包含两版可视化推理代码：通过matplotlib可视化图片、真值标签和预测结果，以及通过tkinter窗口显示可视化图片、真值标签和预测结果。
Pytorch实现：使用ResNet18网络训练Cifar10数据集，测试集准确率达到95.46%(从0开始
10-19
在本项目中，我们将深入探讨如何使用PyTorch框架实现ResNet18网络，并以此对CIFAR-10数据集进行训练，最终在测试集上达到95.46%的准确率。这是一个从零开始的教程，不依赖任何预训练模型，旨在帮助初学者了解深度...
【深度学习】数据增强基本介绍和常用的数据增强方法
F2ancisZ的博客
07-06 893
常用于深度学习模型的数据增强方法。包括传统基于图像处理的几何变换方法和基于GAN、领域自适应、主动学习等模型的方法。欢迎讨论。
深度学习中的超参数及超参数搜索算法
qlkaicx的博客
07-08 536
在深度学习中，超参数（Hyperparameters）是指在训练模型时需要预先设置的参数，它们不会在训练过程中自动更新，而是通过手动调整来优化模型的性能。超参数的设置对模型的训练效果有着至关重要的影响。
动手学深度学习（Pytorch版）代码实践 -循环神经网络-55循环神经网络的从零开始实现和简洁实现
李思成的博客
07-06 682
【代码】动手学深度学习（Pytorch版）代码实践 -循环神经网络-54~55循环神经网络的从零开始实现和简洁实现。
基于深度学习的高压线路巡线
weixin_42605076的博客
07-07 628
基于深度学习的高压线路巡线是一项通过无人机、机器人或固定摄像头等设备采集图像和视频数据，并利用深度学习技术自动检测和分析高压线路状态的技术。这项技术旨在提高巡检效率、降低人工成本和提升电力系统的安全性。
37.深度学习中的梯度下降法及其实现
qq_41238579的博客
07-10 466
梯度下降法（Gradient Descent）是一种常用的优化算法，广泛应用于机器学习和深度学习中。其基本思想是通过迭代更新参数，使得损失函数逐步减小，最终找到最优解。常见的梯度下降法包括随机梯度下降（SGD）、动量法（Momentum）、自适应学习率方法（Adagrad、RMSprop、Adadelta）和Adam等。本文通过代码实现详细展示了梯度下降法在二维和三维空间中的应用，并对比了多种优化器的效果。通过这些实践，我们能够更直观地理解梯度下降法的工作原理及其在深度学习中的应用。
深度学习 - 模型的保存与部署方式汇总
weixin_47552266的博客
07-06 1378
PyTorch 的默认保存格式，灵活支持保存整个模型、模型的权重和优化器状态。
动手学深度学习（Pytorch版）代码实践 -循环神经网络-51序列模型
李思成的博客
07-06 437
【代码】动手学深度学习（Pytorch版）代码实践 -循环神经网络-51序列模型。
Transformer——多头注意力机制（Pytorch）
最新发布
m0_52507142的博客
07-11 201
【代码】Transformer——多头注意力机制（Pytorch）
resnet34模型训练打印训练训练准确度后，如何进行测试集验证，代码pytorch
03-20
在训练模型时，我们通常会将数据集分为训练集和测试集，以便在训练完成后对模型进行测试。在PyTorch中，我们可以使用以下代码进行测试集验证： ```python # 加载测试集数据 test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False) # 设置模型为评估模式 model.eval() # 定义损失函数 criterion = nn.CrossEntropyLoss() # 定义测试集准确率 test_accuracy = 0.0 # 禁用梯度计算 with torch.no_grad(): for images, labels in test_loader: # 将数据移动到GPU上 images = images.to(device) labels = labels.to(device) # 前向传播 outputs = model(images) # 计算损失 loss = criterion(outputs, labels) # 计算准确率 _, predicted = torch.max(outputs.data, 1) test_accuracy += (predicted == labels).sum().item() # 计算测试集准确率 test_accuracy = test_accuracy / len(test_dataset) print('Test Accuracy: {:.2f}%'.format(test_accuracy * 100)) ``` 在上述代码中，我们首先加载测试集数据，并将模型设置为评估模式。然后，我们定义了损失函数和测试集准确率，并禁用了梯度计算。接下来，我们对测试集进行迭代，并将数据移动到GPU上进行前向传播。然后，我们计算损失和准确率，并将准确率累加到test_accuracy变量中。最后，我们计算测试集准确率并打印结果。 希望这个回答能够帮到你！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值