Colab - Tensorflow & Keras Get Started: 005 Keras Fine Tune Pre-Trained Models GTSRB

最新推荐文章于 2024-07-03 14:16:49 发布

lida2003

最新推荐文章于 2024-07-03 14:16:49 发布

阅读量813

点赞数 8

分类专栏： Linux 文章标签： tensorflow keras 人工智能

本文链接：https://blog.csdn.net/lida2003/article/details/138370304

版权

Linux 专栏收录该内容

201 篇文章 13 订阅

订阅专栏

本文介绍了如何在GoogleColab上使用Tensorflow和Keras进行GTSRB交通标志识别的模型微调，针对资源限制，通过加载预训练模型并冻结部分层进行训练，展示了从准备数据、模型构建到预测的详细步骤，最终实现了较高的验证和测试准确率。

摘要由CSDN通过智能技术生成

Colab - Tensorflow & Keras Get Started: 005 Keras Fine Tune Pre-Trained Models GTSRB

1. 源由
2. Colab介绍
3. 微调训练模型 - GTSRB
4. 总结
5. 参考资料

1. 源由

鉴于在《Jammy@Jetson Orin - Tensorflow & Keras Get Started: Transfer Learning & Fine Tuning》章节中，谈到神经网络训练资源（内存、GPU/CPU、时间）开销是非常大的，从一些示例运行的角度就能看出。

虽然已经都是示例代码，但是在Jetson Orin Nano的板子上仍然由于资源问题，无法顺利执行。比如：德国交通标志识别基准（GTSRB)这个示例，从Colab的运行资源显示情况看，GPU内存需要8.1GB，而Jetson Orin Nano的板子最高只有8GB（笔者手上的就是8GB的板子）。

在这里插入图片描述

如果有性能强大、资源充足的计算机或者Jetson 16GB系列的板子，那可以试试。但是笔者这里没有，因此只能另辟捷径。
不过互联网时代的学习，更多的是需要自主能动性。虽然，我们的这个Jetson Orin Nano的板子无法执行，Google的Colab IDE还是能够帮助我们解决这个问题。

鉴于以上关于训练学习资源、性能的问题，我们针对无人机系统设计的角度做了一些调整：《Ardupilot & OpenIPC & 基于WFB-NG构架分析和数据链路思考》，详见：6.3 GPU运算能力。

2. Colab介绍

Google Colab是一个托管的Jupyter Notebook服务，无需设置即可使用，并提供免费访问计算资源，包括GPU和TPU。Colab特别适用于机器学习、数据科学和教育领域。

注：有兴趣的朋友，可以去上面的链接详细了解。从我们的角度，有这样的一个学习平台，就节省了购买GPU的钱，可以继续我们学习算法的学习。

另外，Colab免费额度是定量的。因此，如果需要使用到Colab服务的朋友可以查阅相关付费资料：

以上是付费&免费的问题，但是作为学习，16GB以下的算法基本上还是可以覆盖到的。唯一大家可能需要注意的是，DEMO验证完成后，尽快与GPU/TPU资源断开连接，如果不断开Colab会封禁账号1天，如果多次封禁，那就不太好了。毕竟资源还是大家共享的。

How can I use GPU on Google Colab after exceeding usage limit?

3. 微调训练模型 - GTSRB

德国交通标志识别基准（GTSRB）是一个众所周知的分类数据集，包含来自43个类别的德国交通标志。整个数据集（训练和测试）包含超过50,000张图像。仅训练集就包含超过39,000张图像。

接下来演示如何利用预训练模型，经过小数据集样本微调训练模型。

3.1 准备

在这里插入图片描述

3.1.1 加载数据集

从网络上下载预先准备好的小数据样本集，并解压到当前目录下：

在这里插入图片描述

3.1.2 配置训练参数

这里使用Python的dataclasses模块方便地创建两个类来配置数据和训练参数。

在这里插入图片描述
注：我们指定了LAYERS_FINE_TUNE = 8，这是一个微调配置参数，表示我们想要微调VGG-16模型的最后八层。

3.1.3 建立训练和验证数据集

使用预先准备小训练数据集：每个类别包含28张图像，验证数据集每个类别包含12张图像。

在这里使用image_dataset_from_directory()函数读取。这是Keras中非常方便的一个用于创建图像数据集的实用工具。

数据集结构如下所示，每个类别的图像都包含在一个单独的类别子文件夹中。

main_directory/ 
 ├──> class_a/
 │   ├──> a_image_1.png
 │   └──> a_image_2.png
 └──> class_b/
     ├──> b_image_1.png
     └──> b_image_2.png

函数API只有一个必需参数，即数据集的顶层文件夹，但有几个可选参数可用于配置数据集。

注：尽管我们对其中一些参数使用了默认值，还是强调其中的一些。其中之一是如何指定标签编码的选项。在这里，我们决定使用整数编码，这是默认值（label_mode=‘int’），而不是一位有效编码。
在这里插入图片描述
映射数字顺序

训练和验证数据集中的类名具有一个非数字序列的字母数字。这些类名由数字组成，但它们不是按数字顺序排序。因此，我们需要在测试数据集中提供相同的映射。
在这里插入图片描述

在这里插入图片描述

检视下样本

在这里插入图片描述

3.1.4 加载测试数据集

虽然使用image_dataset_from_directory()函数很容易创建训练和验证数据集。然而，由于测试数据集的图像和标签分别存储在文件系统上，需要编写一些自定义代码来读取和加载这些数据。

为了创建测试数据集，需要在内存中加载图像和标签，并将它们组合起来创建一个tf.data.Dataset测试数据集，以下四个步骤来创建测试数据集：

从csv文件中检索类标签，将其存储在内存中作为Python列表。
构建图像文件路径的列表，将其存储在内存中作为Python列表。
将图像路径和相关标签组合在一个tf.data.Dataset对象中。
使用数据集对象的map方法加载和预处理数据集中的图像。

Step1：从csv文件中（Test.csv）加载测试数据集，主要是类别信息

在这里插入图片描述

Step2：对测试数据样本类别进行数字顺序映射编号

在这里插入图片描述

Step3：获取测试数据样本图像文件位置信息

在这里插入图片描述

Step4：将图像和标签组合起来创建测试数据集

在这里插入图片描述

Step5：加载并预处理图像

在这里插入图片描述

Step6：展示测试数据集部分样本

在这里插入图片描述

3.2 建模

3.2.1 加载VGG-16算法模型

为了配置模型进行微调，将加载模型的卷积基础部分，使用从ImageNet数据集中学习到的权重。这些权重作为微调模型以适应我们数据集的起点。

由于需要重新定义分类器，将加载模型而不包括分类器（include_top=False），这样我们就可以为数据集指定自己的分类器。

有关Keras中可用的VGG-16模型的更多信息，请参阅文档链接：Keras VGG-16模型API。

在这里插入图片描述

3.2.2 冻结卷积基础中的初始层

现在我们已经加载了卷积基础部分，需要锁定初始层，使得只有最后几层TrainingConfig.LAYERS_FINE_TUNE = 8可训练。

有两种方法可以指定模型中可训练（可调整）的层:

可以首先将整个卷积基础部分设置为可训练，将trainable标志设置为True。然后遍历初始层，并将它们设置为不可训练，将每个层的相同标志（trainable）设置为False。
可以通过将trainable标志设置为False来冻结整个卷积基础部分，然后遍历最后几层并将trainable标志设置为True。

下面的代码单元中使用了第一种方法。首先将整个卷积基础部分设置为“可训练”，将trainable属性设置为True。
在这里插入图片描述

3.2.3 重新定义分类器

因为我们打算训练并使用模型来对交通标志进行分类（43个类别），所以我们需要添加自己的分类层。

在这个例子中，我们选择使用

一个包含128个节点的单个全连接的密集层
然后是一个包含43个节点的softmax输出层，每个节点对应一个类别中的43个类。
密集层的数量和每层的节点数量是一种设计选择，但输出层中的节点数量必须与数据集中的类别数量相匹配。
由于我们使用的数据集很小（每个类别40个样本），模型容易过拟合，所以我们还在分类器中添加了一个dropout层。

整个模型如下所示组装：
在这里插入图片描述

3.2.4 编译并训练模型

对于独热编码的标签，适当的损失函数将是CategoricalCrossentropy。由于我们在模型输出中包含了一个Softmax层，我们指定from_logits=False。这是默认设置，但明确指定是一个好的习惯。或者，从模型中删除Softmax层，并将from_logits=True设置为损失函数将在内部应用Softmax函数。结果应该是相同的。

在这里插入图片描述