16、深度GoogLeNet与ResNet在图像分类中的应用

深度GoogLeNet与ResNet在图像分类中的应用

1. 深度GoogLeNet在Tiny ImageNet上的训练

在Tiny ImageNet数据集上训练深度GoogLeNet时，我们会使用L2正则化强度为0.0002以及Adam优化器。若要从特定epoch重新开始训练，需要加载模型并调整学习率，代码如下：

# otherwise, load the checkpoint from disk
else:
    print("[INFO] loading {}...".format(args["model"]))
    model = load_model(args["model"])

    # update the learning rate
    print("[INFO] old learning rate: {}".format(
        K.get_value(model.optimizer.lr)))
    K.set_value(model.optimizer.lr, 1e-5)
    print("[INFO] new learning rate: {}".format(
        K.get_value(model.optimizer.lr)))

接着，我们创建两个回调函数，一个用于每五个epoch将模型权重序列化到磁盘，另一个用于创建损失/准确率随时间变化的图表：

# construct the set of callbacks
callbacks = [
    E