第T8周：猫狗识别

lihuhelihu

于 2024-09-14 22:25:45 发布

阅读量758

点赞数 17

分类专栏： TensorFlow入门实战文章标签：深度学习神经网络 tensorflow 图像处理 keras 分类计算机视觉

本文链接：https://blog.csdn.net/lihuhelihu/article/details/142266203

版权

TensorFlow入门实战专栏收录该内容

10 篇文章 0 订阅

订阅专栏

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

●难度：夯实基础⭐⭐
●语言：Python3、TensorFlow2

要求：
1.了解model.train_on_batch()并运用
2.了解tqdm，并使用tqdm实现可视化进度条

拔高（可选）：
本文代码中存在一个严重的BUG，请找出它并配以文字说明

探索（难度有点大）：
修改代码，处理BUG

这篇文章中放弃了以往的model.fit()训练方法，改用model.train_on_batch方法。两种方法的比较：

● model.fit()：用起来十分简单，对新手非常友好。
● model.train_on_batch()：封装程度更低，可以玩更多花样。

此外也引入了进度条的显示方式，更加方便我们及时查看模型训练过程中的情况，可以及时打印各项指标。

我的环境：
●操作系统：ubuntu 22.04
●语言环境：python 3.8.10
●编译器：jupyter notebook
●深度学习框架：tensorflow-gpu 2.9.0
●显卡（GPU）：RTX 3090(24GB) * 1
●数据集：猫狗识别数据集

一、前期工作

设置GPU（如果使用的是CPU可以注释掉这部分的代码。）

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")

# 打印显卡信息，确认GPU可用
print(gpus)

代码输出：

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

导入数据

import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

import os,PIL,pathlib

#隐藏警告
import warnings
warnings.filterwarnings('ignore')

data_dir = "./T8/data"
data_dir = pathlib.Path(data_dir)

image_count = len(list(data_dir.glob('*/*')))

print("图片总数为：",image_count)

代码输出：

图片总数为： 3400

二、数据预处理

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 = 8
img_height = 224
img_width = 224

TensorFlow版本是2.2.0的同学可能会遇到module ‘tensorflow.keras.preprocessing’ has no attribute 'image_dataset_from_directory’的报错，升级一下TensorFlow就OK了。

"""
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=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

代码输出：

Found 3400 files belonging to 2 classes.
Using 2720 files for training.

"""
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=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

代码输出：

Found 3400 files belonging to 2 classes.
Using 680 files for validation.

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。

class_names = train_ds.class_names
print(class_names)

代码输出：

['cat', 'dog']

len(class_names)

代码输出：

再次检查数据

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

代码输出：

(8, 224, 224, 3)
(8,)

● Image_batch是形状的张量（8, 224, 224, 3)。这是一批形状224x224x3的8张图片（最后一维指的是彩色通道RGB）。
● Label_batch是形状（8，）的张量，这些标签对应8张图片。

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，其详细介绍可以参考我前两篇文章，里面都有讲解。
● cache() ：将数据集缓存到内存当中，加速运行。

AUTOTUNE = tf.data.AUTOTUNE

def preprocess_image(image,label):
    return (image/255.0,label)

# 归一化处理
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds   = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds   = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

如果报 AttributeError: module ‘tensorflow._api.v2.data’ has no attribute ‘AUTOTUNE’ 错误，就将 AUTOTUNE = tf.data.AUTOTUNE 更换为 AUTOTUNE = tf.data.experimental.AUTOTUNE，这个错误是由于版本问题引起的。

可视化数据

# 使用黑体 SimHei 显示中文字体
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置默认字体为黑体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题


plt.figure(figsize=(15, 10))  # 图形的宽为15高为10

for images, labels in train_ds.take(1):
    for i in range(8):
        
        ax = plt.subplot(5, 8, i + 1) 
        plt.imshow(images[i])
        plt.title(class_names[labels[i]])
        
        plt.axis("off")

代码输出：

在这里插入图片描述

三、构建VG-16网络

VGG优缺点分析：

● VGG优点

VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）。

● VGG缺点

1)训练时间过长，调参难度大。
2)需要的存储容量大，不利于部署。例如存储VGG-16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

结构说明：

● 13个卷积层（Convolutional Layer），分别用blockX_convX表示。
● 3个全连接层（Fully connected Layer），分别用fcX与predictions表示。
● 5个池化层（Pool layer），分别用blockX_pool表示。

VGG-16包含了16个隐藏层（13个卷积层和3个全连接层），故称为VGG-16。

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(1000, (img_width, img_height, 3))
model.summary()

代码输出：

Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 224, 224, 3)]     0         
                                                                 
 block1_conv1 (Conv2D)       (None, 224, 224, 64)      1792      
                                                                 
 block1_conv2 (Conv2D)       (None, 224, 224, 64)      36928     
                                                                 
 block1_pool (MaxPooling2D)  (None, 112, 112, 64)      0         
                                                                 
 block2_conv1 (Conv2D)       (None, 112, 112, 128)     73856     
                                                                 
 block2_conv2 (Conv2D)       (None, 112, 112, 128)     147584    
                                                                 
 block2_pool (MaxPooling2D)  (None, 56, 56, 128)       0         
                                                                 
 block3_conv1 (Conv2D)       (None, 56, 56, 256)       295168    
                                                                 
 block3_conv2 (Conv2D)       (None, 56, 56, 256)       590080    
                                                                 
 block3_conv3 (Conv2D)       (None, 56, 56, 256)       590080    
                                                                 
 block3_pool (MaxPooling2D)  (None, 28, 28, 256)       0         
                                                                 
 block4_conv1 (Conv2D)       (None, 28, 28, 512)       1180160   
                                                                 
 block4_conv2 (Conv2D)       (None, 28, 28, 512)       2359808   
                                                                 
 block4_conv3 (Conv2D)       (None, 28, 28, 512)       2359808   
                                                                 
 block4_pool (MaxPooling2D)  (None, 14, 14, 512)       0         
                                                                 
 block5_conv1 (Conv2D)       (None, 14, 14, 512)       2359808   
                                                                 
 block5_conv2 (Conv2D)       (None, 14, 14, 512)       2359808   
                                                                 
 block5_conv3 (Conv2D)       (None, 14, 14, 512)       2359808   
                                                                 
 block5_pool (MaxPooling2D)  (None, 7, 7, 512)         0         
                                                                 
 flatten (Flatten)           (None, 25088)             0         
                                                                 
 fc1 (Dense)                 (None, 4096)              102764544 
                                                                 
 fc2 (Dense)                 (None, 4096)              16781312  
                                                                 
 predictions (Dense)         (None, 1000)              4097000   
                                                                 
=================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
_________________________________________________________________

四、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。
● 评价函数（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。

model.compile(optimizer="adam",
              loss     ='sparse_categorical_crossentropy',
              metrics  =['accuracy'])

train_total = len(train_ds)
val_total   = len(val_ds)

五、训练模型

from tqdm import tqdm
import tensorflow.keras.backend as K

epochs = 10
lr     = 1e-4

# 记录训练数据，方便后面的分析
history_train_loss     = []
history_train_accuracy = []
history_val_loss       = []
history_val_accuracy   = []

for epoch in range(epochs):
    train_total = len(train_ds)
    val_total   = len(val_ds)
    
    """
    total：预期的迭代数目
    ncols：控制进度条宽度
    mininterval：进度更新最小间隔，以秒为单位（默认值：0.1）
    """
    with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=1,ncols=100) as pbar:
        
        lr = lr*0.92
        K.set_value(model.optimizer.lr, lr)

        for image,label in train_ds:   
            """
            训练模型，简单理解train_on_batch就是：它是比model.fit()更高级的一个用法

            想详细了解 train_on_batch 的同学，
            可以看看我的这篇文章：https://www.yuque.com/mingtian-fkmxf/hv4lcq/ztt4gy
            """
            history = model.train_on_batch(image,label)

            train_loss     = history[0]
            train_accuracy = history[1]
            
            pbar.set_postfix({"loss": "%.4f"%train_loss,
                              "accuracy":"%.4f"%train_accuracy,
                              "lr": K.get_value(model.optimizer.lr)})
            pbar.update(1)
        history_train_loss.append(train_loss)
        history_train_accuracy.append(train_accuracy)
            
    print('开始验证！')
    
    with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=0.3,ncols=100) as pbar:

        for image,label in val_ds:      
            
            history = model.test_on_batch(image,label)
            
            val_loss     = history[0]
            val_accuracy = history[1]
            
            pbar.set_postfix({"loss": "%.4f"%val_loss,
                              "accuracy":"%.4f"%val_accuracy})
            pbar.update(1)
        history_val_loss.append(val_loss)
        history_val_accuracy.append(val_accuracy)
            
    print('结束验证！')
    print("验证loss为：%.4f"%val_loss)
    print("验证准确率为：%.4f"%val_accuracy)

代码输出：

Epoch 1/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]2024-09-14 20:44:44.561738: I tensorflow/stream_executor/cuda/cuda_dnn.cc:384] Loaded cuDNN version 8101
2024-09-14 20:44:46.215722: I tensorflow/stream_executor/cuda/cuda_blas.cc:1786] TensorFloat-32 will be used for the matrix multiplication. This will only be logged once.
Epoch 1/10: 100%|████████| 340/340 [00:23<00:00, 14.62it/s, loss=0.6074, accuracy=0.6250, lr=9.2e-5]


开始验证！


Epoch 1/10: 100%|█████████████████████| 85/85 [00:02<00:00, 31.36it/s, loss=0.5406, accuracy=0.5000]


结束验证！
验证loss为：0.5406
验证准确率为：0.5000


Epoch 2/10: 100%|███████| 340/340 [00:19<00:00, 17.57it/s, loss=0.0474, accuracy=1.0000, lr=8.46e-5]


开始验证！


Epoch 2/10: 100%|█████████████████████| 85/85 [00:02<00:00, 36.21it/s, loss=0.0241, accuracy=1.0000]


结束验证！
验证loss为：0.0241
验证准确率为：1.0000


Epoch 3/10: 100%|███████| 340/340 [00:19<00:00, 17.54it/s, loss=0.0456, accuracy=1.0000, lr=7.79e-5]


开始验证！


Epoch 3/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.72it/s, loss=0.5546, accuracy=0.7500]


结束验证！
验证loss为：0.5546
验证准确率为：0.7500


Epoch 4/10: 100%|███████| 340/340 [00:19<00:00, 17.68it/s, loss=0.0158, accuracy=1.0000, lr=7.16e-5]


开始验证！


Epoch 4/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.66it/s, loss=0.6066, accuracy=0.7500]


结束验证！
验证loss为：0.6066
验证准确率为：0.7500


Epoch 5/10: 100%|███████| 340/340 [00:19<00:00, 17.75it/s, loss=0.0034, accuracy=1.0000, lr=6.59e-5]


开始验证！


Epoch 5/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.88it/s, loss=0.0583, accuracy=1.0000]


结束验证！
验证loss为：0.0583
验证准确率为：1.0000


Epoch 6/10: 100%|███████| 340/340 [00:19<00:00, 17.69it/s, loss=0.0005, accuracy=1.0000, lr=6.06e-5]


开始验证！


Epoch 6/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.98it/s, loss=0.0002, accuracy=1.0000]


结束验证！
验证loss为：0.0002
验证准确率为：1.0000


Epoch 7/10: 100%|███████| 340/340 [00:19<00:00, 17.65it/s, loss=0.0000, accuracy=1.0000, lr=5.58e-5]


开始验证！


Epoch 7/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.95it/s, loss=0.0218, accuracy=1.0000]


结束验证！
验证loss为：0.0218
验证准确率为：1.0000


Epoch 8/10: 100%|███████| 340/340 [00:19<00:00, 17.68it/s, loss=0.0003, accuracy=1.0000, lr=5.13e-5]


开始验证！


Epoch 8/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.64it/s, loss=0.0022, accuracy=1.0000]


结束验证！
验证loss为：0.0022
验证准确率为：1.0000


Epoch 9/10: 100%|███████| 340/340 [00:19<00:00, 17.54it/s, loss=0.0000, accuracy=1.0000, lr=4.72e-5]


开始验证！


Epoch 9/10: 100%|█████████████████████| 85/85 [00:02<00:00, 35.49it/s, loss=0.0000, accuracy=1.0000]


结束验证！
验证loss为：0.0000
验证准确率为：1.0000


Epoch 10/10: 100%|██████| 340/340 [00:19<00:00, 17.63it/s, loss=0.0106, accuracy=1.0000, lr=4.34e-5]


开始验证！


Epoch 10/10: 100%|████████████████████| 85/85 [00:02<00:00, 35.79it/s, loss=0.0146, accuracy=1.0000]

结束验证！
验证loss为：0.0146
验证准确率为：1.0000

# 这是我们之前的训练方法。
# history = model.fit(
#     train_ds,
#     validation_data=val_ds,
#     epochs=epochs
# )

六、模型评估

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, history_train_accuracy, label='Training Accuracy')
plt.plot(epochs_range, history_val_accuracy, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, history_train_loss, label='Training Loss')
plt.plot(epochs_range, history_val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

代码输出：

在这里插入图片描述

七、预测

import numpy as np
from matplotlib import font_manager

# 使用 Noto Sans CJK 字体
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['Noto Sans CJK SC']  # 设置为Noto Sans CJK字体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题


# 采用加载的模型（new_model）来看预测结果
plt.figure(figsize=(18, 3))  # 图形的宽为18高为5
plt.suptitle("预测结果展示")

for images, labels in val_ds.take(1):
    for i in range(8):
        ax = plt.subplot(1,8, i + 1)  
        
        # 显示图片
        plt.imshow(images[i].numpy())
        
        # 需要给图片增加一个维度
        img_array = tf.expand_dims(images[i], 0) 
        
        # 使用模型预测图片中的人物
        predictions = model.predict(img_array)
        plt.title(class_names[np.argmax(predictions)])

        plt.axis("off")

代码输出：

1/1 [==============================] - 0s 319ms/step
1/1 [==============================] - 0s 20ms/step
1/1 [==============================] - 0s 18ms/step
1/1 [==============================] - 0s 18ms/step
1/1 [==============================] - 0s 18ms/step
1/1 [==============================] - 0s 18ms/step
1/1 [==============================] - 0s 20ms/step
1/1 [==============================] - 0s 19ms/step

在这里插入图片描述

八、修改代码，处理BUG

主要的BUG在“五、训练模型”，修改如下：

from tqdm import tqdm
import tensorflow.keras.backend as K
import numpy as np

epochs = 10
lr     = 1e-4

# 记录训练数据，方便后面的分析
history_train_loss     = []
history_train_accuracy = []
history_val_loss       = []
history_val_accuracy   = []

for epoch in range(epochs):
    train_total = len(train_ds)
    val_total   = len(val_ds)
    
    """
    total：预期的迭代数目
    ncols：控制进度条宽度
    mininterval：进度更新最小间隔，以秒为单位（默认值：0.1）
    """
    with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=1,ncols=100) as pbar:
        
        lr = lr*0.92
        K.set_value(model.optimizer.lr, lr)
        
        train_loss     = []
        train_accuracy = []
        for image,label in train_ds:   
            """
            训练模型，简单理解train_on_batch就是：它是比model.fit()更高级的一个用法

            想详细了解 train_on_batch 的同学，
            可以看看我的这篇文章：https://www.yuque.com/mingtian-fkmxf/hv4lcq/ztt4gy
            """
             # 这里生成的是每一个batch的acc与loss
            history = model.train_on_batch(image,label)
            
            train_loss.append(history[0])
            train_accuracy.append(history[1])
            
            pbar.set_postfix({"train_loss": "%.4f"%history[0],
                              "train_acc":"%.4f"%history[1],
                              "lr": K.get_value(model.optimizer.lr)})
            pbar.update(1)
            
        history_train_loss.append(np.mean(train_loss))
        history_train_accuracy.append(np.mean(train_accuracy))
            
    print('开始验证！')
    
    with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=0.3,ncols=100) as pbar:

        val_loss     = []
        val_accuracy = []
        for image,label in val_ds:      
            # 这里生成的是每一个batch的acc与loss
            history = model.test_on_batch(image,label)
            
            val_loss.append(history[0])
            val_accuracy.append(history[1])
            
            pbar.set_postfix({"val_loss": "%.4f"%history[0],
                              "val_acc":"%.4f"%history[1]})
            pbar.update(1)
        history_val_loss.append(np.mean(val_loss))
        history_val_accuracy.append(np.mean(val_accuracy))
            
    print('结束验证！')
    print("验证loss为：%.4f"%np.mean(val_loss))
    print("验证准确率为：%.4f"%np.mean(val_accuracy))

上面的这段代码与之前的代码相比，区别是在如何计算并记录训练和验证的损失与准确率上。

主要区别：

每个 epoch 中的训练和验证损失、准确率的计算方式：

修改BUG前的代码：

每次处理一个 batch 后，直接将该 batch 的损失和准确率记录下来，并且每个 epoch 的训练和验证损失、准确率都是以最后一个 batch 的值为准。这意味着最终记录到 history_train_loss 和 history_train_accuracy 的值是该 epoch 最后一个 batch 的损失和准确率，而不是整个 epoch 的平均值。

修改BUG后的代码：

每次处理一个 batch 后，将该 batch 的损失和准确率保存在一个列表中。在 epoch 完成后，计算该 epoch 的所有batch 的损失和准确率的平均值，并将这些均值记录到 history_train_loss 和
history_train_accuracy。因此，第二段代码记录的是整个 epoch 的平均训练和验证损失与准确率，能够更准确地反映整个训练集和验证集上的表现。

批处理后的统计处理：

修改BUG前的代码：

没有计算 epoch 内所有 batch 的损失与准确率的平均值，直接使用最后一个 batch 的结果作为 epoch 的整体表现。

修改BUG后的代码：

每个 epoch 内，所有 batch 的损失和准确率被存储到 train_loss 和 train_accuracy 列表中，最后通过np.mean() 计算平均值并记录。这种做法更精确，因为它考虑了所有 batch 的表现。

修改BUG前的代码更适合快速验证或不需要精确记录整体 epoch 表现的场景，因为它只记录每个 epoch 最后一个 batch 的表现。

修改BUG后的代码更适合需要精确分析每个 epoch 整体表现的情况，因为它计算了整个 epoch 的平均损失和准确率，能够更全面地反映模型的训练和验证过程。

修改BUG后运行代码，训练模型的数据如下：

 Epoch 1/10:   0%|                                                           | 0/340 [00:00<?, ?it/s]2024-09-14 21:40:38.282945: I tensorflow/stream_executor/cuda/cuda_dnn.cc:384] Loaded cuDNN version 8101
    2024-09-14 21:40:39.881639: I tensorflow/stream_executor/cuda/cuda_blas.cc:1786] TensorFloat-32 will be used for the matrix multiplication. This will only be logged once.
    Epoch 1/10: 100%|█| 340/340 [00:22<00:00, 15.17it/s, train_loss=0.7300, train_acc=0.2500, lr=9.2e-5]


    开始验证！


    Epoch 1/10: 100%|██████████████████| 85/85 [00:02<00:00, 32.92it/s, val_loss=0.6971, val_acc=0.3750]


    结束验证！
    验证loss为：0.6796
    验证准确率为：0.5426


    Epoch 2/10: 100%|█| 340/340 [00:18<00:00, 17.91it/s, train_loss=0.0571, train_acc=1.0000, lr=8.46e-5


    开始验证！


    Epoch 2/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.76it/s, val_loss=0.1744, val_acc=0.8750]


    结束验证！
    验证loss为：0.2459
    验证准确率为：0.9162


    Epoch 3/10: 100%|█| 340/340 [00:19<00:00, 17.79it/s, train_loss=0.1029, train_acc=1.0000, lr=7.79e-5


    开始验证！


    Epoch 3/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.90it/s, val_loss=1.1163, val_acc=0.8750]


    结束验证！
    验证loss为：0.2143
    验证准确率为：0.9324


    Epoch 4/10: 100%|█| 340/340 [00:19<00:00, 17.78it/s, train_loss=0.0312, train_acc=1.0000, lr=7.16e-5


    开始验证！


    Epoch 4/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.53it/s, val_loss=0.0139, val_acc=1.0000]


    结束验证！
    验证loss为：0.0251
    验证准确率为：0.9912


    Epoch 5/10: 100%|█| 340/340 [00:19<00:00, 17.77it/s, train_loss=0.0061, train_acc=1.0000, lr=6.59e-5


    开始验证！


    Epoch 5/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.21it/s, val_loss=0.0040, val_acc=1.0000]


    结束验证！
    验证loss为：0.0427
    验证准确率为：0.9868


    Epoch 6/10: 100%|█| 340/340 [00:19<00:00, 17.72it/s, train_loss=0.0273, train_acc=1.0000, lr=6.06e-5


    开始验证！


    Epoch 6/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.39it/s, val_loss=0.0084, val_acc=1.0000]


    结束验证！
    验证loss为：0.0208
    验证准确率为：0.9941


    Epoch 7/10: 100%|█| 340/340 [00:19<00:00, 17.86it/s, train_loss=0.0007, train_acc=1.0000, lr=5.58e-5


    开始验证！


    Epoch 7/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.45it/s, val_loss=0.0005, val_acc=1.0000]


    结束验证！
    验证loss为：0.0148
    验证准确率为：0.9926


    Epoch 8/10: 100%|█| 340/340 [00:19<00:00, 17.84it/s, train_loss=0.0313, train_acc=1.0000, lr=5.13e-5


    开始验证！


    Epoch 8/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.78it/s, val_loss=0.2206, val_acc=0.8750]


    结束验证！
    验证loss为：0.0240
    验证准确率为：0.9912


    Epoch 9/10: 100%|█| 340/340 [00:19<00:00, 17.72it/s, train_loss=0.0009, train_acc=1.0000, lr=4.72e-5


    开始验证！


    Epoch 9/10: 100%|██████████████████| 85/85 [00:02<00:00, 36.01it/s, val_loss=0.0000, val_acc=1.0000]


    结束验证！
    验证loss为：0.0276
    验证准确率为：0.9926


    Epoch 10/10: 100%|█| 340/340 [00:19<00:00, 17.75it/s, train_loss=0.0000, train_acc=1.0000, lr=4.34e-


    开始验证！


    Epoch 10/10: 100%|█████████████████| 85/85 [00:02<00:00, 36.80it/s, val_loss=0.0009, val_acc=1.0000]

    结束验证！
    验证loss为：0.0081
    验证准确率为：0.9971

模型评估的图形如下：

在这里插入图片描述

预测的结果和图形如下：

    1/1 [==============================] - 0s 321ms/step
    1/1 [==============================] - 0s 20ms/step
    1/1 [==============================] - 0s 19ms/step
    1/1 [==============================] - 0s 18ms/step
    1/1 [==============================] - 0s 19ms/step
    1/1 [==============================] - 0s 18ms/step
    1/1 [==============================] - 0s 19ms/step
    1/1 [==============================] - 0s 19ms/step