基于深度学习的天气识别算法对比研究-TensorFlow实现-卷积神经网络（CNN） | 第1例（内附源码+数据）

🥧 我的环境：

• 语言环境：Python3
• 深度学习环境：TensorFlow2

🥂 相关教程：

• 编译器教程：新手入门深度学习 | 1-2：编译器Jupyter Notebook
• 深度学习环境配置教程：新手入门深度学习 | 1-1：配置深度学习环境
• 一个深度学习小白需要的所有资料我都放这里了：新手入门深度学习 | 目录

建议你学习本文之前先看看下面这篇入门文章，以便你可以更好的理解本文：

🍨 新手入门深度学习 | 2-1：图像数据建模流程示例

强烈建议大家使用Jupyter Lab编译器打开源码，你接下来的操作将会非常便捷的！

大家好，我是K同学啊！这次为大家准备了一个天气识别的实例，文章我采用了VGG16、ResNet50、IceptionV3、DenseNet121、LeNet-5、MobileNetV2、EfficientNetB0等7个模型来识别天气，使用的数据集包含 5,531 张不同类型天气的图像，最后模型的识别准确率为 93.9% 。

🍰 重点说明：本文为大家准备了多个算法进行对比分析，每一个算法的学习率都是独立的，你可以自由调整。并且为你提供了准确率（Accuracy）、损失（Loss）、召回率（recall）、精确率（precision）以及AUC值等众多指标的对比分析，你只需要选择需要对比的模型、指标以及数据集即可进行相应的对比分析。

🍡 在本代码中你还可以探究的内容如下：

• 同一个学习率对不同模型的影响
• 同一个模型在不同学习率下的性能
• Dropout层的作用（解决过拟合问题）

🍳 效果展示：

我们的代码流程图如下所示：

🍔 前期准备工作

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")

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
    
# 打印显卡信息，确认GPU可用
print(gpus)

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

🥗 导入数据

"""
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(
    "./2-DataSet/",
    validation_split=0.2,
    subset="training",
    label_mode = "categorical",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 5531 files belonging to 9 classes.
Using 4425 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(
    "./2-DataSet/",
    validation_split=0.2,
    subset="validation",
    label_mode = "categorical",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 5531 files belonging to 9 classes.
Using 1106 files for validation.

class_names = train_ds.class_names
print(class_names)

['dew', 'fogsmog', 'frost', 'hail', 'lightning', 'rain', 'rainbow', 'rime', 'snow']

AUTOTUNE = tf.data.AUTOTUNE

# 归一化
def train_preprocessing(image,label):
    return (image/255.0,label)

train_ds = (
    train_ds.cache()
    .map(train_preprocessing)    # 这里可以设置预处理函数
    .prefetch(buffer_size=AUTOTUNE)
)

val_ds = (
    val_ds.cache()
    .map(train_preprocessing)    # 这里可以设置预处理函数
    .prefetch(buffer_size=AUTOTUNE)
)

plt.figure(figsize=(14, 8))  # 图形的宽为10高为5

for images, labels in train_ds.take(1):
    for i in range(28):
        plt.subplot(4, 7, i + 1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)

        # 显示图片
        plt.imshow(images[i])
        plt.title(class_names[np.argmax(labels[i])])

plt.show()

🥙 设置评估指标metrics

评估指标用于衡量深度学习算法模型的质量，评估深度学习算法模型对于任何项目都是必不可少的。在深度学习中，也有许多不同类型的评估指标可用于衡量算法模型，例如accuracy、precision、recall、auc等都是常用的评估指标。

关于评估指标metrics的详细介绍请参考：🍦新手入门深度学习 | 3-5：评估指标metrics

metrics = [
    tf.keras.metrics.CategoricalAccuracy(name='accuracy'),
    tf.keras.metrics.Precision(name='precision'),
    tf.keras.metrics.Recall(name='recall'),
    tf.keras.metrics.AUC(name='auc')
]

🍟 定义模型

🥪 VGG16模型

from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout,BatchNormalization,Activation

# 加载预训练模型
vgg16_base_model = tf.keras.applications.vgg16.VGG16(weights='imagenet',
                                                            include_top=False,