小编Bug*_*soy的帖子

我建立了一个 cnn 模型，将面部情绪分类为快乐、悲伤、精力充沛和中性面孔。我使用 Vgg16 预训练模型并冻结所有层。经过 50 轮训练后，我的模型的测试精度为 0.65 ，验证损失约为 0.8 。

我的训练数据文件夹有 16000(4x4000) ，验证数据文件夹有 2000(4x500) ，测试数据文件夹有 4000(4x1000) rgb 图像。

1）您对提高模型精度有什么建议？

2）我尝试用我的模型进行一些预测，预测的类别始终相同。什么可能导致问题？

到目前为止我已经尝试过什么？

1. 添加 dropout 层 (0.5)
2. 在最后一层之前添加 Dense (256, relu)
3. 打乱训练数据和验证数据。
4. 将学习率降低到 1e-5

但我无法提高验证和测试准确性。

我的代码

train_src = "/content/drive/MyDrive/Affectnet/train_class/"
val_src = "/content/drive/MyDrive/Affectnet/val_class/"
test_src="/content/drive/MyDrive/Affectnet/test_classs/"

train_datagen = tensorflow.keras.preprocessing.image.ImageDataGenerator(
      rescale=1./255, 
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
    
      )

train_generator = train_datagen.flow_from_directory(
        train_src,
        target_size=(224,224 ),
        batch_size=32,
        class_mode='categorical',
        shuffle=True
        )

validation_datagen = tensorflow.keras.preprocessing.image.ImageDataGenerator(
        rescale=1./255
        )

validation_generator = validation_datagen.flow_from_directory(
        val_src,
        target_size=(224, 224),
        batch_size=32,
        class_mode='categorical',
        shuffle=True
        )
conv_base = tensorflow.keras.applications.VGG16(weights='imagenet',
                  include_top=False,
                  input_shape=(224, …