迁移学习准确性的混乱结果

Question

根据pytorch网站（this）文档中的教程，我刚刚启动了一个图像分类项目

model_ft = models.resnet50(pretrained=True)
num_ftrs = model_ft.fc.in_features
model_ft.fc = nn.Linear(num_ftrs, 20)

我知道fc层应该被改变的原因，因为我的项目需要对20个类进行分类，所以我把参数从2改为20。但是，我只得到了大约60%的准确率。当我不这样更改fc层时：

model_ft = se_resnet50(pretrained = True)

结果表明，该方法的准确率达到93.75%，与以往的结果相比有了很大的提高

我只是不明白为什么我在修改fc层时会得到更差的分类结果。难道不应该修改吗

Answer 1

对于网络来说，在20个类之间找到匹配类可能比在两个类之间找到匹配类更困难

例如，如果你给它一个狗的图像，它需要将它分为猫，狗和马，它可能会发送60%的猫，30%的狗，10%的马，然后是错误的 而如果它只需要在狗和马之间进行分类，它可能会给出75%的狗，25%的马，然后是莱特

finetunnig也会更长，所以如果你用20个类进行更长时间的训练，你可能会有更好的结果，如果你没有在收敛后停止训练，而是在固定的次数之后