趋动云部署猫狗识别模型

镜像选择： TensorFlow 2.10.1，Horovod 已集成，Cuda 11.2， Python 3.8，Ubuntu 20.04
资源配置：b1.small（1*6GBgpu) 1*4核12GBcpu）

1.调试代码

python  $GEMINI_RUN/DogsVsCats.py --num_epochs 5 --data_dir $GEMINI_DATA_IN1/DogsVsCats/ --train_dir $GEMINI_DATA_OUT

1.默认模型调优

epochs 5
训练精度: -
测试精度:0.874
epochs 10
训练精度: 0.93
测试精度: 0.91
epochs 9
训练精度: 0.914
测试精度: 0.905
默认模型精度基本在0.91附近

1.VGG16模型调优

修改模型架构至VGG16，使其在imgnet上的预训练权重上训练

base_model=VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3))
model = Sequential()
model.add(base_model)
model.add(Flatten())
model.add(Dense(512, activation="relu"))
model.add(Dense(2, activation="softmax"))
for layer in base_model.layers:
    layer.trainable = False

Dense 512 epochs 5
训练精度: 0.94
测试精度:0.92
Dense 1024 epochs 5
训练精度: 0.95
测试精度:0.905
Dense 1024 epochs 3
训练精度: 0.93
测试精度:0.91
Dense 256 epochs 5
训练精度: 0.95
测试精度:0.92
Dense 256 epochs 3
训练精度: 0.93
测试精度:0.918
可见稠密层变大会导致模型过拟合，512与256稠密层在该测试集下效果相当。基于VGG16迁移的模型精度在0.92左右