Cómo justificar el rendimiento de un modelo de aprendizaje profundo personalizado (CNN)

Lo que puedo ver de su pregunta es: debe justificar el rendimiento del modelo de aprendizaje profundo personalizado con respecto a los modelos de aprendizaje de transferencia como AlexNet, Vgg16; 19, ResNet.

Es sorprendente ver que está obteniendo una mayor precisión con menos capas de convolución, pero la pregunta es “¿qué problema está tratando de resolver utilizando el Modelo de aprendizaje profundo personalizado?”. Compruebe si AlexNet, Vgg y ResNet se han utilizado para resolver problemas similares o iguales. En caso afirmativo, la comparación de rendimiento es trivial; de lo contrario, debe usar AlexNet, Vgg y ResNet en su problema y registrar su precisión. Ahora, simplemente compare la precisión de AlexNet, Vgg, ResNet y su modelo de aprendizaje profundo personalizado.

Además de esto, le sugiero que realice una serie de experimentos enumerados en los documentos de AlexNet, Vgg y ResNet para que tenga un amplio escenario de comparación.

Lo que sé es que el problema de clasificación binaria puede resolverse mediante una red neuronal convolucional de capa única. Cuán diferente es su modelo de esta red también es una preocupación.

Se puede dar una respuesta más específica, si tenemos una idea sobre el problema que está tratando de resolver.

Espero eso ayude !!

Eso es obvio si su tarea es diferente a los modelos de aprendizaje de transferencia; porque su CNN personalizada le está dando un modelo específico de la tarea después del entrenamiento, mientras que los modelos de aprendizaje de transferencia supuestamente están entrenados en una tarea diferente. Puede hacer más experimentos empíricos optimizando los hiperparámetros con algunos optimizadores como hyperas (maxpumperla / hyperas) y visualizar el impacto de varios parámetros en sus resultados.

La razón por la cual los modelos de aprendizaje de transferencia no funcionan tan bien como su CNN menos profunda personalizada probablemente se deba a la naturaleza del problema. Depende también de los datos de entrenamiento originales que se usaron en las redes pre-entrenadas.

El aprendizaje por transferencia funciona bien si los problemas están relacionados; de lo contrario, es mejor comenzar desde cero.

Otro problema es que intente ejecutar la fase de ajuste fino durante mucho más tiempo, es decir, más épocas para los modelos de aprendizaje de transferencia. De esa manera, tal vez el aprendizaje de transferencia podría encontrar un mejor punto óptimo.

Espero que esto ayude.