首页 > 其他分享 >【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率

时间:2022-11-16 14:01:31浏览次数:82  
标签:83.6% None 训练 识别率 train tensorflow2.6 tf path os


目标:识别猫和狗

一、猫狗数据集

数据集下载:

公众号,回复:猫狗数据集

训练数据集(每一张图片都有dog和cat标签):

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_数据


测试集(图片没有标签):

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_分类_02

二、训练环境

  • kaggle
  • tenslrflow2.6

三、数据处理

import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)

# Input data files are available in the read-only "../input/" directory
# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directory

import os
for dirname, _, filenames in os.walk('/kaggle/input'):
for filename in filenames:
print(os.path.join(dirname, filename))

如下:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_2d_03


导入相关模块:

import os
import zipfile # 解压zip
import pandas as pd
from tqdm import tqdm # 进度条显示
import tensorflow as tf
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from tensorflow.keras.optimizers import RMSprop

创建一个主文件夹:

work_path = './cats_and_dogs_filtered'
if not os.path.exists(work_path):
os.mkdir(work_path)

把训练集和测试集的图片解压到主文件夹下面:

local_zip = '../input/dogs-vs-cats/test1.zip'
zip_ref = zipfile.ZipFile(local_zip,'r')
zip_ref.extractall(work_path)

local_zip = '../input/dogs-vs-cats/train.zip'
zip_ref = zipfile.ZipFile(local_zip,'r')
zip_ref.extractall(work_path)

zip_ref.close()

把训练集的数据读出来:

train_path = os.path.join(work_path, 'train') # 拼接训练集文件名
test_path = os.path.join(work_path, 'test1') # 拼接测试集文件名

train_df = pd.DataFrame({'image_name':os.listdir(train_path)}) # 读取图片名。os.listdir是列出文件下所有。
train_df['label'] =train_df['image_name'].apply(lambda x: x.split('.')[0]) # 分割添加标签列
train_df

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_python_04

同理把测试集的数据读取出来:

test_df = pd.DataFrame({'image_name':os.listdir(test_path)})
test_df['label'] =test_df['image_name'].apply(lambda x: x.split('.')[0])
test_df

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_数据_05


把所有狗的图片单独放在一个文件夹:

dog_path_train = os.path.join(train_path, 'dog') # 拼接dog路径
os.mkdir(dog_path_train) # 创建文件夹
dog_df_train = train_df[train_df.label=='dog'] # 选出标签为狗的图片
for n in tqdm(dog_df_train.image_name):
os.rename((os.path.join(train_path, n)), (os.path.join(dog_path_train, n))) # 重命名

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_2d_06


同理把猫的数据放在一个文件夹:

cat_path_train = os.path.join(train_path, 'cat')
os.mkdir(cat_path_train)
cat_df_train = train_df[train_df.label=='cat']
for n in tqdm(cat_df_train.image_name):
os.rename((os.path.join(train_path, n)), (os.path.join(cat_path_train, n)))

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_2d_07


现在简单的检测一下目录的基本结构,当然这不是必须的部分:

base_dir = './cats_and_dogs_filtered'

print(' 基本主目录')
print(os.listdir(base_dir))

print('\n 训练目录')
train_path = f'{base_dir}/train'
print(os.listdir(train_path))

print('\n 测试目录')
print(os.listdir(test_path)[:5])

如图:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_2d_08


再继续检查目录:

train_dir = os.path.join(base_dir,'train') # 拼接训练路径
validation_dir = os.path.join(base_dir,'test1') # 拼接测试集路径

train_cats_dir = os.path.join(train_dir,'cat') # 在训练集下拼接猫路径
train_dogs_dir = os.path.join(train_dir,'dog') # 狗路径

train_cats_names = os.listdir(train_cats_dir) # 列出所有猫的文件名
train_dogs_names = os.listdir(train_dogs_dir) # 列出所有狗的文件名

print(train_cats_names[:5])# 查看前五个
print(train_dogs_names[:5]) # 查看前五个

输出:

['cat.5965.jpg', 'cat.10318.jpg', 'cat.11796.jpg', 'cat.10908.jpg', 'cat.7301.jpg']
['dog.3554.jpg', 'dog.5088.jpg', 'dog.7240.jpg', 'dog.2206.jpg', 'dog.7740.jpg']

查看训练集测试集等数量:

print(f'训练集猫数量 = {len(train_cats_names)}')
print(f'训练集狗数量 = {len(train_dogs_names)}')
print(f'测试集猫和狗数量= {len(os.listdir(validation_dir))}')

输出:

训练集猫数量 = 12500
训练集狗数量 = 12500
测试集猫和狗数量= 12500

四、建立模型

首先普及一点基本,卷积层语法如下:

tf.keras.layers.Conv2D(
filters,
kernel_size,
strides=(1, 1),
padding='valid',
data_format=None,
dilation_rate=(1, 1),
groups=1,
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
**kwargs
)

相关参数如下:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_数据_09


【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_分类_10


池化层语法如下:

tf.keras.layers.MaxPool2D(
pool_size=(2, 2),
strides=None,
padding='valid',
data_format=None,
**kwargs
)

参数说明:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_数据_11


Flatten语法:

tf.keras.layers.Flatten(
data_format=None, **kwargs
)

参数说明:一般默认即可

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_分类_12


连接层语法如下:

tf.keras.layers.Dense(
units,
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
**kwargs
)

编译(配置模型进行训练)语法:

compile(
optimizer='rmsprop', # 字符串(优化器的名称)或优化器实例
loss=None, # 损失函数,如果模型有多个输出,您可以通过传递字典或损失列表来对每个输出
# 使用不同的损失,由模型最小化的损失值将是所有独立损失的总和。
metrics=None, # 在训练和测试期间,模型要评估的度量标准列表,通常将使用metrics=['accuracy']。
# 要为一个多输出模型的不同输出指定不同的度量,可以传递一个字典,例如metrics={'output_a': 'accuracy', 'output_b': ['accuracy', 'mse']}。
# 还可以传递矩阵列表(len = len(输出)),比如metrics=[[accuracy'], ['accuracy', 'mse'],或者metrics=['accuracy', ['accuracy', 'mse']]。
loss_weights=None, # 指定标量系数(Python浮点数)的可选列表或字典,以对不同模型输出的损失贡献进行加权。
sample_weight_mode=None, # 如果需要按时间步长进行样本加权(2D加权),请将其设置为“时间”。没有默认的采样权值(1D)。
weighted_metrics=None, # 在训练和测试期间,将通过sample_weight或class_weight评估和加权的度量列表。
target_tensors=None, # 默认情况下,Keras将为模型的目标创建占位符,这些占位符将在训练期间与目标数据一起提供。
# 相反,如果您想使用自己的目标张量(反过来,Keras在训练时不会期望这些目标的外部Numpy数据),可以通过target_tensors参数指定它们。
distribute=None, # 在TF 2.0中不支持
**kwargs # 任何额外的参数
)

参数说明:

编写代码模型函数如下:

def create_model():
# 使用models.Sequential()来搭建神经网络
# Sequential()方法是一个容器,在容器中添加对应参数
#在Sequential()的输入参数中描述从输入层到输出层的网络结构
model = tf.keras.models.Sequential([
# 本案例中Conv2D卷积层,第一个参数:filter 卷积核个数, 第二个参数strides 卷积步长,此三个参数activation:激活函数
# 第四个参数input_shape表示150*150图片
tf.keras.layers.Conv2D(16,(3,3), activation = 'relu', input_shape=(150,150,3)),
# 在 2x2 池化窗口中取最大值
tf.keras.layers.MaxPooling2D(2,2),

tf.keras.layers.Conv2D(32,(3,3), activation = 'relu'),
tf.keras.layers.MaxPooling2D(2,2),

tf.keras.layers.Conv2D(64,(3,3), activation = 'relu'),
tf.keras.layers.MaxPooling2D(2,2),

tf.keras.layers.Flatten(),
# 输出空间的维度512.激活函数relu
tf.keras.layers.Dense(512, activation = 'relu'),
# 激活函数sigmogid
tf.keras.layers.Dense(1, activation='sigmoid')
])

# learning_rate学习率为0.01,loss损失函数为二元交叉熵损失
# metrics评估列表,这里只采用了accuracy准确度
model.compile(optimizer=RMSprop(learning_rate=0.001),
loss='binary_crossentropy',
metrics=['accuracy'])

return model

执行模型:

model = create_model()
model.summary() # 打印模型摘要

如图:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_tensorflow_13

五、图像处理

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255,
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest',
validation_split=0.2
)

train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(150,150),
batch_size=50,
class_mode='binary',
subset='training'
)


validation_generator = train_datagen.flow_from_directory(
train_dir, # 与训练集类似
target_size=(150, 150),
batch_size=50,
class_mode='binary',
subset='validation')

构建回调:

#构建新回调的抽象基类
class mycallback(tf.keras.callbacks.Callback):
def on_epoch_end(self,epoch,logs={}):
if(logs.get('val_accuracy')>=0.90): # 大于90%停止
self.model.stop_training = True

callback = mycallback()

六、训练模型

参数说明:

fit(
x=None,
y=None,
batch_size=None, # 每次梯度更新的样本数
epochs=1, # 训练模型的迭代数
verbose=1,
callbacks=None,
validation_split=0.0, # 将训练数据的一部分用作验证数据
validation_data=None, # 用于评估损失的数据和每个epoch结束时的任何模型度量。模型不会根据这些数据进行训练。validation_data将覆盖validation_split。
shuffle=True, # 在每个epoch之前对训练数据进行洗牌
class_weight=None,
sample_weight=None,
initial_epoch=0, # 开始训练的时间(对于恢复之前的训练很有用)。
steps_per_epoch=None,
validation_steps=None,
validation_freq=1,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
**kwargs
)

因此代码如下:

history = model.fit(
train_generator,
steps_per_epoch = train_generator.samples//50,
epochs = 30, # 迭代次数
verbose=1, # 1表示显示进度条
validation_data = validation_generator, # 在每个 epoch 结束时评估损失和任何模型指标的数据。模型不会根据这些数据进行训练
validation_steps = validation_generator.samples//50,#b验证数据
callbacks=[callback] #回调列表
)

训练两个小时候,得到如下:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_python_14

七、模型评估

打印准确度:

print("最大准确度: {}%".format(round(100*max(history.history['val_accuracy']), 2)))

输出:

最大准确度: 83.86%

八、可视化

打印loss变化:

import matplotlib.pyplot as plt
def plot_metric(history, metric):
train_metrics = history.history[metric]
val_metrics = history.history['val_'+metric]
epochs = range(1, len(train_metrics) + 1)
plt.plot(epochs, train_metrics, 'bo--')
plt.plot(epochs, val_metrics, 'ro-')
plt.title('训练集和验证集 '+ metric)
plt.xlabel("Epochs")
plt.ylabel(metric)
plt.legend(["train_"+metric, 'val_'+metric])
plt.show()

plot_metric(history,"loss")

如图:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_分类_15


打印准确度变化:

plot_metric(history,"accuracy")

如图:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_2d_16

九、保存模型

model.save('./tf_model_savedmodel', save_format="tf")
print('保存的模型成功..')

输出:

保存的模型成功..

十、参考

tensorflow官方API文档:

​https://www.tensorflow.org/api_docs/python/tf_overview​

十一、感悟

这是我第一次尝试搭建神经网络,猫狗分类是一个非常经典的案例了,在这整个学习中花了很长时间,比如:模型的搭建流程,模型的参数设置。开始我在本机训练模型,发现训练很久,自己电脑受不住,因此不得不转向kaggle上训练,经过了长达两个小时多的训练,最终识别率为83.86%。虽然不是很好,但也是经过一次很大的尝试。希望在后续中继续探索图片的分类,实际上我认为其它的图片分类与猫狗分类是类似的,因此有了迁移学习的概念,当然具体我还不了解,还在学习中。

tensorflow的模型搭建流程可以总结为:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_tensorflow_17

我的安排是:先学习一些经典案例,然后再深入学习这些基本的原理知识,这样学习对我来说更加高效。当然我希望您读这篇文章已经掌握机器学习大部分内容,为此我花了半个月的时间研读和实践了机器学习。

欢迎关注我的个人公众号:

【tensorflow2.6】图片数据建模流程:猫狗分类,83.6%识别率_分类_18


标签:83.6%,None,训练,识别率,train,tensorflow2.6,tf,path,os
From: https://blog.51cto.com/u_15677788/5856122

相关文章

  • 提高神经网络的识别率
    1.增加数据集的数量由于深度神经网络需要喂入大量的数据才能提高他的性能(特点),有时候简单的增加容量可以提高准确(吴恩达大佬视频内介绍深度学习崛起制作的图) 2.提高数......