Tensorflow：显示类似行为的损耗和精度曲线

Question

我使用Keras和Tensorflow后端来训练修改的Resnet-50，它将对象分类为15个类别。我使用亚当优化器，我尝试了0.001和0.01的学习率，但得到了类似的结果。

我面临的问题是，损失和准确性都表现出类似的行为（在训练和验证数据集中）。它们都在相似的时间上升或下降，我希望随着损失的减少能得到更高的准确度。是什么导致了这种行为？

编辑：模型的代码如下所示：

#Model creation:
def create_model(possible_labels):
    rn50 = ResNet50(include_top=True, weights=None)
    layer_name = rn50.layers[-2].name
    model = Model(rn50.input, 
            Dense(len(possible_labels))(rn50.get_layer(layer_name).output))
    adam = Adam(lr=0.0001)
    model.compile(loss='categorical_crossentropy', 
            optimizer=adam, metrics=['accuracy'])
    checkpointer = ModelCheckpoint(filepath='the_best_you_ever_had', 
                             verbose=1, save_best_only=True)
    tensorboard = TensorBoard()
    return model, [checkpointer, tensorboard]

model, checkpointers = create_model(labels)

#Dataset generation:
train_datagen = ImageDataGenerator(
featurewise_center=True,
featurewise_std_normalization=True,
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2,
horizontal_flip=True,
vertical_flip=True,
channel_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2
)

val_datagen = ImageDataGenerator()

train_generator = train_datagen.flow_from_directory(
'data\\train',
target_size=(224, 224),
batch_size=32,
class_mode='categorical'
)

val_generator = val_datagen.flow_from_directory(
'data\\validation',
target_size=(224, 224),
batch_size=32,
class_mode='categorical'
)

#Model training:
model.fit_generator(
train_generator,
steps_per_epoch=5000,
epochs=50,
validation_data=val_generator,
callbacks=checkpointers
)

Answer 1

我在我的代码中发现了错误，事实上我只是在添加的最后一层中使用默认（线性）激活。通过在代码中执行以下操作，我将其切换为softmax激活（因为这是一个分类问题，而不是回归问题）：

model = Model(rn50.input, 
        Dense(len(possible_labels), activation='softmax')
        (rn50.get_layer(layer_name).output))

然后曲线开始按预期运行，我达到了96%的准确率。