T7打卡-学习笔记

最新推荐文章于 2024-08-07 21:26:38 发布
最新推荐文章于 2024-08-07 21:26:38 发布
阅读量256 收藏 2
点赞数 9
文章标签： 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Inface0443/article/details/140700115
版权

前期准备

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpus[0]],"GPU")

gpus

[]

from tensorflow       import keras
from tensorflow.keras import layers,models
import numpy             as np
import matplotlib.pyplot as plt
import os,PIL,pathlib

data_dir = r"C:\Users\11054\Desktop\kLearning\t7_learning\data"
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*.png')))

print("图片总数为：",image_count)

图片总数为： 1200

数据预处理

batch_size = 32
img_height = 224
img_width = 224
"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
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)

"""
关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
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)

class_names = train_ds.class_names
print(class_names)



Found 1200 files belonging to 4 classes.
Using 960 files for training.
Found 1200 files belonging to 4 classes.
Using 240 files for validation.
['Dark', 'Green', 'Light', 'Medium']

可视化数据

plt.figure(figsize=(10, 4))  # 图形的宽为10高为5

for images, labels in train_ds.take(1):
    for i in range(10):

        ax = plt.subplot(2, 5, i + 1)

        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])

        plt.axis("off")

在这里插入图片描述

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

(32, 224, 224, 3)
(32,)

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)

normalization_layer = layers.Rescaling(1./255)

train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y))
val_ds   = val_ds.map(lambda x, y: (normalization_layer(x), y))

image_batch, labels_batch = next(iter(val_ds))
first_image = image_batch[0]

# 查看归一化后的数据
print(np.min(first_image), np.max(first_image))



0.0 1.0

构建VGG-16网络

model = tf.keras.applications.VGG16(weights='imagenet')

# from tensorflow.keras import layers, models, Input
# from tensorflow.keras.models import Model
# from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout
#
# def VGG16(nb_classes, input_shape):
#     input_tensor = Input(shape=input_shape)
#     # 1st block
#     x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv1')(input_tensor)
#     x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv2')(x)
#     x = MaxPooling2D((2,2), strides=(2,2), name = 'block1_pool')(x)
#     # 2nd block
#     x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv1')(x)
#     x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv2')(x)
#     x = MaxPooling2D((2,2), strides=(2,2), name = 'block2_pool')(x)
#     # 3rd block
#     x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv1')(x)
#     x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv2')(x)
#     x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv3')(x)
#     x = MaxPooling2D((2,2), strides=(2,2), name = 'block3_pool')(x)
#     # 4th block
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv1')(x)
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv2')(x)
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv3')(x)
#     x = MaxPooling2D((2,2), strides=(2,2), name = 'block4_pool')(x)
#     # 5th block
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv1')(x)
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv2')(x)
#     x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv3')(x)
#     x = MaxPooling2D((2,2), strides=(2,2), name = 'block5_pool')(x)
#     # full connection
#     x = Flatten()(x)
#     x = Dense(4096, activation='relu',  name='fc1')(x)
#     x = Dense(4096, activation='relu', name='fc2')(x)
#     output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)
#
#     model = Model(input_tensor, output_tensor)
#     return model
#
# model=VGG16(len(class_names), (img_width, img_height, 3))
# model.summary()

<Functional name=vgg16, built=True>

网络结构图

在这里插入图片描述
在这里插入图片描述

编译

# 设置初始学习率
initial_learning_rate = 1e-4

lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
        initial_learning_rate,
        decay_steps=30,      # 敲黑板！！！这里是指 steps，不是指epochs
        decay_rate=0.92,     # lr经过一次衰减就会变成 decay_rate*lr
        staircase=True)

# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=initial_learning_rate)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

训练模型

epochs = 20

history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs
)

Epoch 1/20


C:\Users\11054\.conda\envs\py311\Lib\site-packages\keras\src\backend\tensorflow\nn.py:602: UserWarning: "`sparse_categorical_crossentropy` received `from_logits=True`, but the `output` argument was produced by a Softmax activation and thus does not represent logits. Was this intended?
  output, from_logits = _get_logits(


[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m311s[0m 10s/step - accuracy: 0.2452 - loss: 2.3790 - val_accuracy: 0.4708 - val_loss: 1.1447
Epoch 2/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m322s[0m 10s/step - accuracy: 0.5306 - loss: 0.9733 - val_accuracy: 0.8000 - val_loss: 0.6850
Epoch 3/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 0.8199 - loss: 0.4469 - val_accuracy: 0.8792 - val_loss: 0.3026
Epoch 4/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 0.9060 - loss: 0.2226 - val_accuracy: 0.9125 - val_loss: 0.2860
Epoch 5/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 0.9341 - loss: 0.1610 - val_accuracy: 0.8417 - val_loss: 0.4898
Epoch 6/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 0.9024 - loss: 0.2810 - val_accuracy: 0.9333 - val_loss: 0.1948
Epoch 7/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m323s[0m 10s/step - accuracy: 0.9804 - loss: 0.0554 - val_accuracy: 0.9625 - val_loss: 0.1087
Epoch 8/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 0.9862 - loss: 0.0477 - val_accuracy: 0.9875 - val_loss: 0.0366
Epoch 9/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m307s[0m 10s/step - accuracy: 0.9967 - loss: 0.0159 - val_accuracy: 0.9958 - val_loss: 0.0105
Epoch 10/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m321s[0m 10s/step - accuracy: 0.9995 - loss: 0.0034 - val_accuracy: 0.9958 - val_loss: 0.0112
Epoch 11/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m304s[0m 10s/step - accuracy: 1.0000 - loss: 9.6800e-04 - val_accuracy: 0.9958 - val_loss: 0.0102
Epoch 12/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m323s[0m 10s/step - accuracy: 1.0000 - loss: 2.3597e-04 - val_accuracy: 0.9958 - val_loss: 0.0092
Epoch 13/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m306s[0m 10s/step - accuracy: 1.0000 - loss: 1.6429e-04 - val_accuracy: 0.9958 - val_loss: 0.0114
Epoch 14/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 1.0000 - loss: 1.2267e-04 - val_accuracy: 0.9917 - val_loss: 0.0120
Epoch 15/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m304s[0m 10s/step - accuracy: 1.0000 - loss: 5.3608e-05 - val_accuracy: 0.9958 - val_loss: 0.0130
Epoch 16/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m305s[0m 10s/step - accuracy: 1.0000 - loss: 2.8213e-05 - val_accuracy: 0.9917 - val_loss: 0.0137
Epoch 17/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m308s[0m 10s/step - accuracy: 1.0000 - loss: 1.5108e-05 - val_accuracy: 0.9917 - val_loss: 0.0146
Epoch 18/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m320s[0m 10s/step - accuracy: 1.0000 - loss: 1.2032e-05 - val_accuracy: 0.9958 - val_loss: 0.0145
Epoch 19/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m308s[0m 10s/step - accuracy: 1.0000 - loss: 1.0658e-05 - val_accuracy: 0.9958 - val_loss: 0.0153
Epoch 20/20
[1m30/30[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m308s[0m 10s/step - accuracy: 1.0000 - loss: 7.8087e-06 - val_accuracy: 0.9958 - val_loss: 0.0147

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()

在这里插入图片描述

#个人总结

  • 掌握了VGG16 TensorFlow的调用
无涯学徒1998
关注
  • 9
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python学习打卡：day07
qq_45545681的博客
06-16 1463
元组同列表一样，都是可以封装多个、不同类型的元素在内。元组一旦定义完成，就不可修改所以，当我们需要在程序内封装数据，又不希望封装的数据被篡改，那么元组就非常合适了定义元组使用小括号，且使用逗号隔开各个数据数据可以是不同的数据类型。# 定义元组t2 = ()type# 定义元组 t1 =(1 , "Hello" , True) t2 =() t3 = tuple() print(f"t1 的类型是： {type(t1) } ，内容是： {t1 } ") print(f"t2 的类型是： {
【每日打卡】应届生、跳槽者必看JAVA面试题-数据库篇(一)(1)
2401_84023683的博客
05-01 370
第一范式：具有原子性。
台大李宏毅机器学习 2020作业（一）：手写线性回归，实现多因素作用下的PM2.5预测
意疏的学习笔记
03-24 4479
前言
2024-04-30 区块链-timi.net-大陆员工办公规定-记录
技术之路
04-30 2197
2024-04-30 区块链-timi.net-大陆员工办公规定-记录
性能课程笔记（五）性能分析思路[转载高楼]
m0_37677636的博客
03-09 749
06丨倾囊相授：我毕生所学的性能分析思路都在这里了 转载 极客时间 作者高楼 ：https://time.geekbang.org/column/article/182912 我还年轻的时候，经常听一些大会或者演讲。有些人说，思路逻辑非常重要。我那时就想，你肯定是瞎忽悠的，因为我怎么就没听懂你说的思路呢？ 而现在轮到自己来写或者讲一些东西的时候，才发现他们说得很对，而我之所以不理解，也是有原因的。 性能分析思路和具体的实现之间，有一道鸿沟，那就是操作的能力。之前我为什么听不懂那些人的思路，其实是因为我没
500G 史上最全的JAVA全套教学视频网盘分享
热门推荐
十年呵护的专栏
01-13 5万+
1、javascript视频教程 链接: https://pan.baidu.com/s/1slYX3Ff 密码: jn92 2、JPA视频教程 链接: https://pan.baidu.com/s/1c3QkLQ4 密码: 8f8v 3、马士兵hibernate视频教程 链接: https://pan.baidu.com...
Datawhale_大数据0期
酒逢知己千杯少,欢迎驾临
07-25 2150
【Task1】创建虚拟机+熟悉linux(2day) 创建三台虚拟机 在本机使用Xshell连接虚拟机 CentOS7配置阿里云yum源和EPEL源 安装jdk 熟悉linux 常用命令 熟悉，shell 变量/循环/条件判断/函数等 shell小练习1： 编写函数，实现将1-100追加到output.txt中，其中若模10等于0，则再追加输出一次。即10，20…100在这个文件中会出现两次。...
Java丨课2丨一些初识
随便塞学习记录的地方
09-26 67
这算课2吗... 总之今晚有实验课！美丽的IDEA！
微服务[学成在线] day16：基于Spring Security Oauth2开发认证服务
通往体面生活的路上
07-24 509
???? 知识点概览 为了方便后续回顾该项目时能够清晰的知道本章节讲了哪些内容，并且能够从该章节的笔记中得到一些帮助，所以在完成本章节的学习后在此对本章节所涉及到的知识点进行总结概述。 本章节为【学成在线】项目的 day16 的内容 学习 Spring Security + Oauth2 基本概念以及实现过程。 学习 Oauth2 的基本应用场景，这里主要是通过 Oauth2 的密码模式来实战。 初识 JWT 令牌。 本章节的最后通过 Spring Security Oauth2 完成了认证
SUN T7-1 固件 SUN T7-1 固件
06-22
SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN T7-1 固件SUN ...
KGBLCxxI-LF-T7 SOD-323 KUU.pdf
04-03
KGBLCxxI-LF-T7 SOD-323 KUU 规格书
KGBLCxxC-LF-T7 SOD-323 KUU.pdf
04-03
KGBLCxxC-LF-T7 SOD-323 KUU 规格书
t7-precompiler:t7预编译器
05-12
要安装t7-precompiler，只需运行以下命令：npm install -g t7-precompiler 要通过命令行使用预编译器，请使用t7-compiler命令传递输入文件名和输出t7库语法（React，Universal，Mitrhil等）：t7-compiler -i ...
KGBLC03CW-LF-T7 SOD-323 CA1.pdf
04-03
KGBLC03CW-LF-T7 SOD-323 CA1 KUU 规格书
Zero123++ 论文学习
calvinpaean的博客
08-07 1053
随着新视图生成模型的涌现，3D 内容生成领域取得了显著进展，这些模型利用了强大的 2D 扩散生成先验知识，这些 2D 扩散模型是在互联网上的大规模数据集训练得到的。如果没有全局条件，针对可见区域生成的内容还是不错的，但是对于不可见区域，则生成质量就急剧下降了，因为模型缺乏推理物体的全局语义的能力。Reference Attention 指的就是，在对模型的输入去噪时，对一个额外的参考图像使用去噪 UNet 模型，并将参考图像中得到的自注意力 key 矩阵和 value 矩阵附加到去噪模型的相应的注意力层。
日常学习--20240806
最新发布
xxm13679073037的博客
08-07 710
调优
【GCC】结合GPT4 延迟梯度学习2：延迟梯度的计算及阈值更新
突围
08-06 79
拥塞控制
HTML5新增元素属性学习
weixin_68441705的博客
08-06 246
placeholder：提示性语句，在文本输入框 上提示用户输入内容，当用户填充内容消失，删除内容又出现（用于提示用户输入用户名，密码，适合短的提示语句）2.datalist 表单新元素 配合input使用，有下拉菜单也可以输入内容（通常用于搜素引擎）autofocus：自动聚焦，进入注册界面，光标自动聚焦在输入框上，用于提升用户体验。min和max ：最大值 最小值 可以配合其他属性使用，用于数值型。required：必填项，用户如果不填，表单无法提交。autocomplete：自动填充，通常用于登录。
小土堆pytorch学习笔记
09-27
根据提供的引用内容，小土堆是一位在B站上分享关于PyTorch深度学习的快速入门教程的博主。他的学习笔记和代码整合可以在视频链接https://www.bilibili.com/video/BV1hE411t7RN?spm_id_from=333.337.search-card.all.click 上找到。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值