活动地址:CSDN21天学习挑战赛
>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客**
>- **🍦 参考文章地址: [🔗深度学习100例-卷积神经网络(CNN)猴痘病识别 | 第45天](https://blog.csdn.net/qq_38251616/article/details/126284706)**
>- **🍖 作者:[K同学啊](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw)**
学习日记
1,学习知识点
卷积神经网络(CNN)猴痘病识别
2,学习遇到的问题
内容较复杂
3,学习的收获
卷积神经网络(CNN)猴痘病识别
4,实操
一、前期工作
1. 设置GPU
如果使用的是CPU可以忽略这步
from tensorflow import keras from tensorflow.keras import layers,models import os, PIL, pathlib import matplotlib.pyplot as plt import tensorflow as tf gpus = tf.config.list_physical_devices("GPU") if gpus: gpu0 = gpus[0] #如果有多个GPU,仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用 tf.config.set_visible_devices([gpu0],"GPU") gpus
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2. 导入数据
data_dir = "./45-data/" data_dir = pathlib.Path(data_dir)
3. 查看数据
image_count = len(list(data_dir.glob('*/*.jpg'))) print("图片总数为:",image_count)
图片总数为: 2142
Monkeypox = list(data_dir.glob('Monkeypox/*.jpg')) PIL.Image.open(str(Monkeypox[0]))
二、数据预处理
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:
- 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。
- 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。
- 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
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)
Found 2142 files belonging to 2 classes. Using 1714 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=123, image_size=(img_height, img_width), batch_size=batch_size)
Found 2142 files belonging to 2 classes. Using 428 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)
['Monkeypox', 'Others']
2. 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")
3. 再次检查数据
for image_batch, labels_batch in train_ds: print(image_batch.shape) print(labels_batch.shape) break
(32, 224, 224, 3) (32,)
Image_batch
是形状的张量(32,180,180,3)。这是一批形状180x180x3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
AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
三、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 输入的形状是(224, 224, 4)
即彩色图像。我们需要在声明第一层时将形状赋值给参数input_shape
。num_classes = 2 """ 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 """ model = models.Sequential([ layers.experimental.preprocessing.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
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= rescaling (Rescaling) (None, 224, 224, 3) 0 _________________________________________________________________ conv2d (Conv2D) (None, 222, 222, 16) 448 _________________________________________________________________ average_pooling2d (AveragePo (None, 111, 111, 16) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 109, 109, 32) 4640 _________________________________________________________________ average_pooling2d_1 (Average (None, 54, 54, 32) 0 _________________________________________________________________ dropout (Dropout) (None, 54, 54, 32) 0 _________________________________________________________________ conv2d_2 (Conv2D) (None, 52, 52, 64) 18496 _________________________________________________________________ dropout_1 (Dropout) (None, 52, 52, 64) 0 _________________________________________________________________ flatten (Flatten) (None, 173056) 0 _________________________________________________________________ dense (Dense) (None, 128) 22151296 _________________________________________________________________ dense_1 (Dense) (None, 2) 258 ================================================================= Total params: 22,175,138 Trainable params: 22,175,138 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。
- 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。
# 设置优化器 opt = tf.keras.optimizers.Adam(learning_rate=1e-4) model.compile(optimizer=opt, loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
五、训练模型
关于
ModelCheckpoint
的详细介绍可参考文章 🔗ModelCheckpoint 讲解【TensorFlow2入门手册】from tensorflow.keras.callbacks import ModelCheckpoint epochs = 50 checkpointer = ModelCheckpoint('best_model.h5', monitor='val_accuracy', verbose=1, save_best_only=True, save_weights_only=True) history = model.fit(train_ds, validation_data=val_ds, epochs=epochs, callbacks=[checkpointer])
Epoch 1/50 54/54 [==============================] - 4s 18ms/step - loss: 0.6969 - accuracy: 0.5408 - val_loss: 0.6763 - val_accuracy: 0.6098 Epoch 00001: val_accuracy improved from -inf to 0.60981, saving model to best_model.h5 Epoch 2/50 54/54 [==============================] - 1s 12ms/step - loss: 0.6672 - accuracy: 0.5858 - val_loss: 0.6423 - val_accuracy: 0.6612 ...... Epoch 00047: val_accuracy did not improve from 0.87850 Epoch 48/50 54/54 [==============================] - 1s 12ms/step - loss: 0.0953 - accuracy: 0.9691 - val_loss: 0.4090 - val_accuracy: 0.8715 Epoch 00048: val_accuracy did not improve from 0.87850 Epoch 49/50 54/54 [==============================] - 1s 12ms/step - loss: 0.0699 - accuracy: 0.9819 - val_loss: 0.3922 - val_accuracy: 0.8832 Epoch 00049: val_accuracy improved from 0.87850 to 0.88318, saving model to best_model.h5 Epoch 50/50 54/54 [==============================] - 1s 12ms/step - loss: 0.0714 - accuracy: 0.9772 - val_loss: 0.4151 - val_accuracy: 0.8785 Epoch 00050: val_accuracy did not improve from 0.88318
六、模型评估
1. Loss与Accuracy图
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()
2. 指定图片进行预测
# 加载效果最好的模型权重 model.load_weights('best_model.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("./45-data/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)])
预测结果为: Others