基于Keras ImageDataGenerator训练带ImageNet预权重的ResNet50图像分类模型

嘿，我来帮你把这个ResNet50训练的流程补全并优化一下～首先先把你没写完的验证集生成代码补上，和训练集的逻辑基本一致，只需要替换路径和几个参数：

test_datagen = ImageDataGenerator()
validation_generator = test_datagen.flow_from_directory(
    './val_qcut_2_classes',  # 记得换成你的验证集实际目录路径
    batch_size=batch_size,
    shuffle=False,  # 验证集一般不用打乱，这样后续评估的时候能对应上真实标签
    target_size=input_size[1:],
    class_mode='categorical'
)

接下来给你梳理从加载预训练模型到完成训练的完整步骤，都是实际项目里常用的操作，能帮你少踩坑：

1. 加载预训练ResNet50并搭建自定义分类头 #

因为我们是做自己的二分类任务，所以要去掉ResNet50自带的ImageNet顶层分类层，换成适配我们任务的结构：

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model

# 加载预训练权重，排除顶层的分类层
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=input_size)

# 添加我们自己的分类头
x = base_model.output
x = GlobalAveragePooling2D()(x)  # 用全局平均池化替代Flatten，减少参数数量
x = Dense(1024, activation='relu')(x)  # 可选的中间隐藏层，你可以根据数据集大小调整
predictions = Dense(2, activation='softmax')(x)  # 二分类任务，输出维度设为2

# 组装成完整的训练模型
model = Model(inputs=base_model.input, outputs=predictions)

2. 分层训练（冻结+解冻，提升效率和精度） #

一开始建议先冻结所有预训练层，只训练我们新增的分类头——这样既能快速让模型适配你的数据，又不会破坏ResNet50已经学到的通用特征：

# 冻结base_model的所有层
for layer in base_model.layers:
    layer.trainable = False

等分类头训练个5-10个epoch，精度稳定后，再解冻一部分顶层的预训练层进行微调，能进一步榨取模型的性能：

# 比如解冻base_model的最后10层，你也可以根据情况调整层数
for layer in base_model.layers[-10:]:
    layer.trainable = True

3. 编译模型 #

针对二分类任务，选对损失函数和优化器很重要：

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

如果是微调阶段，建议把学习率调小一点，比如用Adam(learning_rate=1e-5)，避免预训练层的权重被冲得太厉害。

4. 启动训练 #

用fit配合我们的生成器开始训练就行：

history = model.fit(
    train_generator,
    epochs=15,  # 这个数值你可以根据训练过程中的精度变化调整
    validation_data=validation_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    validation_steps=validation_generator.samples // batch_size
)

5. 额外的实用优化建议 #

• 加数据增强：你现在用的是无增强的ImageDataGenerator，可以加一些简单的增强来提升模型泛化能力，比如：

  train_datagen = ImageDataGenerator(
      rotation_range=20,
      width_shift_range=0.2,
      height_shift_range=0.2,
      horizontal_flip=True,
      zoom_range=0.15
  )
  

  注意！验证集别加增强，保持和实际测试场景一致。
• 处理类不平衡：如果你的两类样本数量差很多，可以在flow_from_directory里加上class_weight参数，给样本少的类别更高的权重。
• 监控训练过程：可以用matplotlib画出训练的精度和损失曲线，方便判断是否过拟合或者欠拟合。

内容的提问来源于stack exchange，提问作者MenorcanOrange