第T4周：猴痘病识别

前言

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

一、我的环境

• 电脑系统：Windows 11
• 语言环境：Python 3.9.7
• 编辑器：Jupyter Lab
• 深度学习环境：TensorFlow2.4.1

二、代码实现

1. 前期工作

1.1 导入数据

#导入数据
import pathlib  # 导入pathlib模块，pathlib是一个用于处理文件和目录路径的库，它提供了面向对象的文件系统路径表示
data_dir = "F:\\boshiqijian\\kechengxuexi\\Deep Learning\\365xunlianying\\data\\t4data"
"""这行代码将data_dir变量的值更新为一个Path对象。
Path是pathlib模块中的一个类，它封装了文件系统的路径，并提供了许多方便的方法来操作路径。
这里，它将之前定义的字符串路径转换为Path对象，以便后续代码可以更方便地使用这个路径。"""
data_dir = pathlib.Path(data_dir)

1.2 查看数据

#查看数据
image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为：",image_count)

from PIL import Image
import pathlib

# 设置数据目录
data_dir = pathlib.Path("F:\\boshiqijian\\kechengxuexi\\Deep Learning\\365xunlianying\\data\\t4data")

# 获取所有Monkeypox文件夹下的jpg文件
Monkeypox = list(data_dir.glob('Monkeypox/*.jpg'))

# 检查是否找到了文件
if Monkeypox:
    # 打开第一个找到的图像文件
    image = Image.open(str(Monkeypox[0]))
    image.show()  # 显示图像
else:
    print("No JPEG files found in Monkeypox directory.")

2. 数据预处理

2.1 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

测试集与验证集的关系：

1. 验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
2. 但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
3. 因此，我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集

#数据预处理
#设置批次大小和图像尺寸
batch_size = 32
img_height = 224
img_width = 224
#这里定义了批次大小为32，以及图像的高和宽都设置为224像素

"""
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
"""
import tensorflow as tf
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)
"""
创建训练集
    data_dir: 数据目录路径。
    validation_split=0.2: 表示20%的数据将被用作验证集。
    subset="training": 指定这是训练集。
    seed=123: 随机种子，确保数据的可重复性。
    image_size=(img_height, img_width): 将所有图像调整为224x224像素。
    batch_size=batch_size: 每批次包含32张图像。 这行代码加载训练数据集。
"""

"""
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)

我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

#获取类名:从训练数据集中获取类名列表
class_names = train_ds.class_names
print(class_names)

2.2 可视化数据

#可视化数据
import matplotlib.pyplot as plt

# 假设 train_ds 是一个数据集，class_names 是类别名称的列表
# 这里只是示例代码，确保你已经有了 train_ds 和 class_names

# 可视化数据
plt.figure(figsize=(20, 10))

for images, labels in train_ds.take(1):
    for i in range(20):
        ax = plt.subplot(5, 10, i + 1)

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

# 显示图像
plt.show()

1.3 再次检查数据

#再次检查数据
for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

● Image_batch是形状的张量（32,224,224,3）。这是一批形状224x224x3的32张图片（最后一维指的是彩色通道RGB）。
● Label_batch是形状（32，）的张量，这些标签对应32张图片

1.4 配置数据集

● shuffle() ：打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456
● prefetch() ：预取数据，加速运行

prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

使用prefetch()可显著减少空闲时间：

cache() ：将数据集缓存到内存当中，加速运行

#配置数据集
"""这行代码将tf.data.AUTOTUNE赋值给变量AUTOTUNE。
tf.data.AUTOTUNE是一个特殊的参数，当用于prefetch函数的buffer_size参数时，它会让TensorFlow自动调整预取（prefetching）的效率。"""
AUTOTUNE = tf.data.AUTOTUNE
"""这行代码对训练数据集train_ds进行配置：

    .cache()：将数据集的元素缓存到内存中。这意味着数据集的元素在第一次迭代时会被加载到内存中，后续迭代可以更快地访问这些数据。
    .shuffle(1000)：将数据集随机打乱。参数1000表示缓冲区的大小，即在打乱数据之前会先从数据集中收集1000个元素。
    .prefetch(buffer_size=AUTOTUNE)：预取数据，以便在模型训练时可以异步加载数据，从而提高训练效率。AUTOTUNE参数让TensorFlow根据当前系统的性能自动调整预取的缓冲区大小。
"""
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
"""这行代码对验证数据集val_ds进行配置：

    .cache()：同样地，将数据集的元素缓存到内存中。
    .prefetch(buffer_size=AUTOTUNE)：预取数据，以便在模型验证时可以异步加载数据，提高验证效率。
"""
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

3. 构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入形状是 (180, 180, 3)。我们需要在声明第一层时将形状赋值给参数input_shape。
网络结构图：

#构建CNN网络

"""
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
"""
import tensorflow as tf
from tensorflow.keras import layers

# 假设 img_height 和 img_width 已经被定义
img_height = 224
img_width = 224

num_classes = 2

model = tf.keras.models.Sequential([
    layers.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

4. 编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

● 损失函数（loss）：用于衡量模型在训练期间的准确率。
● 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
● 指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

#编译
# 设置优化器
"""这行代码创建了一个Adam优化器实例，并将其赋值给变量opt。
Adam是一种自适应学习率优化算法，广泛用于训练深度学习模型。learning_rate=1e-4设置了优化器的学习率为0.0001。"""
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
"""    这行代码调用了模型的compile方法，用于配置模型的学习过程。compile方法需要几个参数：
        optimizer=opt：设置模型的优化器为上面创建的Adam优化器。
        loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)：设置模型的损失函数为稀疏分类交叉熵。from_logits=True参数表示模型的输出是未经softmax处理的logits，而不是概率分布。
        metrics=['accuracy']：设置模型的评估指标为准确率（accuracy）。这意味着在训练和验证过程中，除了计算损失之外，还会计算并报告准确率。

总结来说，这段代码配置了模型的训练过程，包括如何更新模型的权重（使用Adam优化器），如何评估模型在训练和验证数据上的表现（使用稀疏分类交叉熵损失函数和准确率指标）。
这些设置是模型训练前的重要步骤，它们定义了模型的学习目标和优化策略。"""

5. 训练模型

#训练模型
#ModelCheckpoint是一个回调函数，用于在训练过程中保存模型的权重。
from tensorflow.keras.callbacks import ModelCheckpoint
#这行代码设置了训练周期（epochs）的数量。一个epoch意味着模型将查看一次训练数据集中的所有数据。
epochs = 50

# 注意文件名的更改
"""这行代码创建了一个ModelCheckpoint实例，用于在训练过程中保存模型。参数解释如下：

    'best_model.weights.h5': 指定保存模型权重的文件名。
    monitor='val_accuracy': 指定监控的指标是验证集的准确率（val_accuracy）。
    verbose=1: 设置详细模式，会在训练过程中打印模型保存的消息。
    save_best_only=True: 指定只保存在监控指标上表现最好的模型。
    save_weights_only=True: 指定只保存模型的权重，而不是整个模型。
"""
checkpointer = ModelCheckpoint('best_model.weights.h5',
                                monitor='val_accuracy',
                                verbose=1,
                                save_best_only=True,
                                save_weights_only=True)
"""    这行代码执行模型的训练过程。参数解释如下：
        model: 这是之前定义好的模型实例。
        train_ds: 这是训练数据集，通常是一个数据生成器或者是一个tf.data.Dataset对象。
        validation_data=val_ds: 这是用于验证模型性能的验证数据集。
        epochs=epochs: 使用之前定义的epochs变量来设置训练周期的数量。
        callbacks=[checkpointer]: 指定在训练过程中使用的回调函数列表，这里只包含了之前定义的checkpointer。

"""
history = model.fit(train_ds,
                    validation_data=val_ds,
                    epochs=epochs,
                   callbacks=[checkpointer])
#总结来说，这段代码设置了模型的训练参数，包括训练周期、验证数据集、回调函数等，并开始训练模型。
#在训练过程中，如果模型在验证集上的准确率有所提高，就会保存当前的最佳模型权重。

6. 模型评估

#模型评估
#Loss与Accuracy图
#从模型训练历史中提取训练集的准确率数据
acc = history.history['accuracy']
#从模型训练历史中提取验证集的准确率数据
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()

#指定图片进行预测
# 加载效果最好的模型权重
model.load_weights('best_model.weights.h5')

from PIL import Image
import numpy as np

# img = Image.open("./45-data/Monkeypox/M06_01_04.jpg")  #这里选择你需要预测的图片
img = Image.open("F:\\boshiqijian\\kechengxuexi\\Deep Learning\\365xunlianying\\data\\t4data\\Others\\NM15_02_11.jpg")  #这里选择你需要预测的图片
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)])

三、心得体会

代码解读见注释
不要怕报错 善于利用AI解决问题