文章目录
我的环境：
- 语言环境：Python3.6.8
- 编译器：jupyter notebook
- 深度学习环境：TensorFlow2.3
一、前期工作
1. 设置 GPU
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")
if gpus:
gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU
tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
tf.config.set_visible_devices([gpu0],"GPU")
gpus
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2. 导入数据
import os,PIL,pathlib
import matplotlib.pyplot as plt
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers,models
data_dir = "D:/jupyter notebook/DL-100-days/datasets/45-data/" # 图片存放目录
data_dir = pathlib.Path(data_dir) # 构造 pathlib 模块下的 Path 对象
3. 查看数据
数据集一共分为 Monkeypox、Others 两类，分别存放于 45-data 文件夹中以各自名字命名的子文件夹中
image_count = len(list(data_dir.glob('*/*.jpg'))) # 使用 Path 对象的 glob() 方法获取 45-data 目录下的两个文件夹所有图片
print("图片总数为：",image_count)
图片总数为： 2142
4. 可视化图片
# 返回图片路径
Monkeypox = list(data_dir.glob('Monkeypox/*.jpg')) # 使用 Path 对象的 glob() 方法获取 45-data/Monkeypox 目录下的所有图片对象
PIL.Image.open(str(Monkeypox[0])) # 读取第一张图片
二、数据预处理
1. 加载数据
使用 image_dataset_from_directory 方法将磁盘中的数据加载到 tf.data.Dataset 中
batch_size = 32 # 批量大小，一次训练 32 张图片
img_height = 224 # 图片高度，把图片进行统一处理，因为图片尺寸不一，需要我们自己定义图片高度
img_width = 224 # 图片宽度，把图片进行统一处理，因为图片尺寸不一，需要我们自己定义图片宽度
的参数：
- directory, # 存放目录
- labels=“inferred”, # 图片标签
- label_mode=“int”, # 图片模式
- class_names=None, # 分类
- color_mode=“rgb”, # 颜色模式
- batch_size=32, # 批量大小
- image_size=(256, 256), # 从磁盘读取数据后将其重新调整大小。
- shuffle=True, # 是否打乱
- seed=None, # 随机种子
- validation_split=None, # 0 和 1 之间的数，可保留一部分数据用于验证。如：0.2=20%
- subset=None, # “training” 或 “validation”。仅在设置 validation_split 时使用。
- interpolation=“bilinear”, # 插值方式：双线性插值
- follow_links=False, # 是否跟踪类子目录中的符号链接
#!pip install tf-nightly
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="training",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)
输出：
Found 2142 files belonging to 2 classes.
Using 1714 files for training.
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="validation",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)
输出：
Found 2142 files belonging to 2 classes.
Using 428 files for validation.
class_names = train_ds.class_names
print(class_names)
输出：
[‘Monkeypox’, ‘Others’]
2. 可视化数据
# 设置画板的宽高，单位为英寸
plt.figure(figsize=(20, 10))
# train_ds.take(1) 是指从训练集数据集中取出 1 个 batch 大小的数据，返回值 images 存放图像数据，labels 存放图像的标签。
for images, labels in train_ds.take(1):
for i in range(20):
# plt.subplot('行', '列'，'编号') 绘制画板的子区域 将整个图像窗口分为5行10列，当前位置为 i + 1
ax = plt.subplot(5, 10, i + 1)
# imshow() 其实就是将数组的值以图片的形式展示出来,数组的值对应着不同的颜色深浅,而数值的横纵坐标就是数组的索引
plt.imshow(images[i].numpy().astype("uint8"))
# labels[i] 的值为 0， 1， 2， 3，映射到 class_names 可以得到图片的类别
plt.title(class_names[labels[i]])
# 不显示轴线
plt.axis("off")
3. 再次检查数据
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break
输出
(32, 224, 224, 3)
(32,)
- image_batch : (32, 224, 224, 3) 第一个32是批次尺寸，224是我们修改后的宽高，3是RGB三个通道
- labels_batch : (32,) 一维，32个标签
4. 配置数据集
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
- shuffle() : 数据乱序
- prefetch() : 预取数据加速运行
- cache() : 数据集缓存到内存中，加速
三、构建网络
num_classes = 2
"""
关于卷积核的计算不懂的可以参考文章：https://blog.csdn.net/qq_38251616/article/details/114278995
layers.Dropout(0.4) 作用是防止过拟合，提高模型的泛化能力。
在上一篇文章花朵识别中，训练准确率与验证准确率相差巨大就是由于模型过拟合导致的
关于Dropout层的更多介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/115826689
"""
model = models.Sequential([
layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3
layers.AveragePooling2D((2, 2)), # 池化层1，2*2采样
layers.Conv2D(32, (3, 3), activation='relu'), # 卷积层2，卷积核3*3
layers.AveragePooling2D((2, 2)), # 池化层2，2*2采样
layers.Dropout(0.3),
layers.Conv2D(64, (3, 3), activation='relu'), # 卷积层3，卷积核3*3
layers.Dropout(0.3),
layers.Flatten(), # Flatten层，连接卷积层与全连接层
layers.Dense(128, activation='relu'), # 全连接层，特征进一步提取
layers.Dense(num_classes) # 输出层，输出预期结果
])
model.summary() # 打印网络结构
四、编译
# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(optimizer=opt,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
五、训练模型
from tensorflow.keras.callbacks import ModelCheckpoint
epochs = 50
checkpointer = ModelCheckpoint('best_model.h5',
monitor='val_accuracy',
verbose=1,
save_best_only=True,
save_weights_only=True)
history = model.fit(train_ds,
validation_data=val_ds,
epochs=epochs,
callbacks=[checkpointer])
六、模型评估
1. Loss 与 Accuracy 图
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epochs)
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
2. 指定图片进行预测
# 加载效果最好的模型权重
model.load_weights('best_model.h5')
from PIL import Image
import numpy as np
# img = Image.open("D:/jupyter notebook/DL-100-days/datasets/45-data/Monkeypox/M06_01_04.jpg") #这里选择你需要预测的图片
img = Image.open("D:/jupyter notebook/DL-100-days/datasets/45-data/Others/NM15_02_11.jpg") #这里选择你需要预测的图片
img = np.array(img)
image = tf.image.resize(img, [img_height, img_width])
img_array = tf.expand_dims(image, 0)
predictions = model.predict(img_array) # 这里选用你已经训练好的模型
print("预测结果为：",class_names[np.argmax(predictions)])
预测结果为： Others