kerasのCNNモデル構築における過学習の抑制について

Question

実現したいこと

kerasを用いたCNNモデル(VGG16)での過学習を回避したい

実行環境

• model: VGG16(Batch Normalizationを各conv層後に挿入)
• data: cifar10(VGG16の入力層に合わせるためbilinarで3232->224224にリサイズしています)
• optimizer: SGD(momentum=0.9, learning rate=0.01)

発生している問題・エラーメッセージ

loss曲線の値が増加し過学習が発生している

質問

過学習が起きている原因は何でしょうか。また対策法をkerasの記法を用いて教えてください。

該当のソースコード

import keras
from keras.layers import Conv2D, MaxPooling2D, Lambda, Input, Dense, Flatten, BatchNormalization
from keras.models import Model
from keras.layers.core import Dropout
from keras import optimizers
import tensorflow as tf
from keras.callbacks import ReduceLROnPlateau,TensorBoard

from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

from sklearn.preprocessing import OneHotEncoder
from keras.datasets import cifar10
# import gc
import numpy as np

import matplotlib.pyplot as plt

nb_epoch = 30

#グラフ描画のための関数
def plot_graph(history):
    plt.plot(range(1, nb_epoch+1), history.history['acc'], label="training")
    plt.plot(range(1, nb_epoch+1), history.history['val_acc'], label="validation")
    plt.xlabel('Epochs')
    plt.ylabel('Accuracy')
    plt.legend()
    plt.show()
    
    plt.plot(range(1, nb_epoch+1), history.history['loss'], label="training")
    plt.plot(range(1, nb_epoch+1), history.history['val_loss'], label="validation")
    plt.xlabel('Epochs')
    plt.ylabel('loss')
    plt.legend()
    plt.show()

#VGG16モデルをfunctional APIで構築。
def set_vgg_model():
    # inputs = Input(shape=(224, 224, 3))
    inputs = Input(shape=(32, 32, 3))
    # Due to memory limitation, images will resized on-the-fly.
    x = Lambda(lambda image: tf.image.resize_images(image, (224, 224)))(inputs)
    x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(inputs)
    x = BatchNormalization()(x)
    x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block1_pool')(x)
    x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)
    x = BatchNormalization()(x)
    x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block2_pool')(x)
    x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)
    x = BatchNormalization()(x)
    x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)
    x = BatchNormalization()(x)
    x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block3_pool')(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)
    x = BatchNormalization()(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)
    x = BatchNormalization()(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block4_pool')(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)
    x = BatchNormalization()(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)
    x = BatchNormalization()(x)
    x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)
    x = BatchNormalization()(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), padding='same', name='block5_pool')(x)
    flattened = Flatten(name='flatten')(x)
    x = Dense(4096, activation='relu', name='fc1')(flattened)
    x = Dropout(0.5, name='dropout1')(x)
    x = Dense(4096, activation='relu', name='fc2')(x)
    x = Dropout(0.5, name='dropout2')(x)
    predictions = Dense(10, activation='softmax', name='predictions')(x)
    model = Model(inputs=inputs, outputs=predictions)
    return model

if __name__ == "__main__":
    print(tf.__version__)
    print(keras.__version__)
    
    # Prepare data(cifar10)
    (x_train, y_train), (x_test, y_test) = cifar10.load_data()
    enc = OneHotEncoder()
    y_train = enc.fit_transform(y_train).toarray()
    y_test = enc.fit_transform(y_test).toarray()
     
    model = set_vgg_model()
    BATCH_SIZE = 500
    sgd = optimizers.SGD(lr=0.01,
                         momentum=0.9,
                         decay=5e-4)#, nesterov=False)
    #損失関数はクロスエントロピーです
    model.compile(optimizer=sgd,
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    
    rlop = ReduceLROnPlateau(monitor='val_acc',
                             factor=0.1,
                             patience=5,
                             verbose=1,
                             mode='auto',
                             min_delta=0.0001,
                             cooldown=0,
                             min_lr=0.00001)
    
     
    history = model.fit(x_train, y_train, batch_size=BATCH_SIZE, epochs=nb_epoch, verbose=1,
                  callbacks=[rlop], validation_data=(x_test, y_test))
    plot_graph(history)

補足情報（FW/ツールのバージョンなど）

tensorflow 1.10.0
keras 2.2.2
python 3.6

Answer 1

ちょっと気になる点をば。

• BATCH_SIZE = 500

感覚的には大きい気がします。128とか64くらいでも良いのでは。
そしてエポック数は最低数倍必要になるはず。

• 3232->224224

リサイズするくらいなら、何層か外して適当な画像サイズから畳み込みを始めた方が合理的だと思います。

• 問題の規模とネットワーク規模

cifar10にここまででかいネットワーク、必要でしょうか。
一般論では「モデルの規模大＝モデルのパラメータ多数＝過学習しやすい」です。無駄に大規模なモデルはあんまり良いことはないので、小さくした方が良さそう、とコメントします。
適当なサンプルのリンクを貼っておきますが、普通にもっと小さいネットワークでも今と同じくらいの性能は出るかと。
keras/cifar10_cnn.py at master · keras-team/keras · GitHub
Advanced Convolutional Neural Networks  |  TensorFlow

Comments

[退会済みユーザー]

ご回答ありがとうございます。バッチサイズの設定でモデルの性能は変化しますか？

[hayataka2049]

小さくすると学習が不安定になり、そのぶん局所最適解に収束しづらくなります。
掲載されている正解率や損失を見るとあっさり収束しすぎな気がするので、もう少し不安定にして長く回した方が良い解に収束する可能性は高いと思います。

[退会済みユーザー]

なるほど、そういった効果が期待できるのですね。
ありがとうございます。

Answer 2

• data augmentation でデータセットを水増しする。(Keras の ImageDataGenerator でできます。)
• L2 正則化を入れる。 (引数 kernel_regularizer、bias_regularizer で指定。)

など、試してみてはどうでしょうか。

• ディープラーニングの様々なモデルを使ってCIFAR-10画像データセットの分類を行う
• 畳込みニューラルネットワークの基本技術を比較する　ーResnetを題材にー

Comments

[退会済みユーザー]

ご回答ありがとうございます。
data augmentationは有効な手段だとは心得ていますがcifar10のようにデータ数が多いものでも水増しによる効力は有意なものなのでしょうか。
また、L2正則化はconv層に挿入すればよいですか？または損失関数に入れればよいですか？

[tiitoi]

Data Argmentation は汎化性能を上げたいのであれば、試してみる価値はありますよ。ImageNet の学習でも Data Argmentation はやるぐらいなので。
L2正則化は学習で調整されるパラメータを持つ層に入れます。 Conv2D や Dense などはコンストラクタの引数にkernel_regularizer、bias_regularizer で指定できます。(デフォルトは None、つまり正則化なし)

[退会済みユーザー]

なるほど、検討させていただきます。