卷积神经网络（CNN）天气识别

猿童学

已于 2022-08-14 14:30:51 修改

阅读量3k

点赞数 12

分类专栏：深度学习文章标签： java jvm servlet

于 2022-08-14 14:25:51 首次发布

本文链接：https://blog.csdn.net/qq_21402983/article/details/126329724

版权

深度学习专栏收录该内容

12 篇文章 7 订阅

订阅专栏

活动地址：CSDN21天学习挑战赛

前言

1.卷积有什么用？

卷积作用是为了进行特征提取
因为输入的信息中可能只有一小部分是对我们解决问题有帮助的，这些信息比较关键，这时候只提取这部分信息就可以了。对于计算机来说，进行特征提取后，需要处理的信息就急剧减少，可以极大的加快运行速度，当然这只是我认为其中比较重要的一个原因。

2.卷积的计算

4x4的输入矩阵 I 和 3 × 3 的卷积核 K:

在步长（stride）为 1 时，输出的大小为 ( 4 − 3 + 1 ) × ( 4 − 3 + 1 )

计算公式：

输入图片矩阵 I大小： w x w
卷积核 K ： k x k
步长S ：s
填充大小（padding）：p

输出图片大小为：o x o

步长为2，卷积核为3*3，p=0的卷积情况如下：

当卷积函数中padding='same'时，会动态调整 p 值，确保 o=w ，即保证输入与输出一致。例如：输入是 28*28*1 输出也为 28*28*1 。

步长为1，卷积核为3*3，padding='same'的卷积情况如下：

在这里插入图片描述

一、读取数据

使用CNN实现多云、下雨、晴、日出四种天气状态的识别。较上篇文章，本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。

1.导入数据

import matplotlib.pyplot as plt
import os,PIL

# 设置随机种子尽可能使结果可以重现
import numpy as np
np.random.seed(1)

# 设置随机种子尽可能使结果可以重现
import tensorflow as tf
tf.random.set_seed(1)

from tensorflow import keras
from tensorflow.keras import layers,models

import pathlib
data_dir = "D:/jupyter notebook/CSDN21天学习计划/weather_photos/"

data_dir = pathlib.Path(data_dir)

2.查看数据

可以看到图片总共为1125张。

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

print("图片总数为：",image_count)

#图片总数为： 1125

roses = list(data_dir.glob('sunrise/*.jpg'))
PIL.Image.open(str(roses[0]))

查看一下第一张照片

二、数据预处理

tf.keras.preprocessing.image_dataset_from_directory() 简介

参数解析：

directory: 数据所在目录。如果标签是inferred（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。
subset: training或validation之一。仅在设置validation_split时使用。

seed: 用于shuffle和转换的可选随机种子。

image_size: 从磁盘读取数据后将其重新调整大小。默认：（256，256）。由于管道处理的图像批次必须具有相同的大小，因此该参数必须提供。

batch_size: 数据批次的大小。默认值：32

作用：

将文件夹中的数据加载到tf.data.Dataset中，且加载的同时会打乱数据。

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

batch_size = 32
img_height = 180
img_width = 180

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 1125 files belonging to 4 classes.Using 900 files for training.

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 1125 files belonging to 4 classes. Using 225 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)

['cloudy', 'rain', 'shine', 'sunrise']

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, 180, 180, 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

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神经网络模型.

tf.keras.layers.Dropout() 介绍

参数解析：

rate：0~1之间的小数。让神经元以一定的概率rate停止工作，提高模型的泛化能力。
noise_shape：1D张量类型,int32表示将与输入相乘的二进制丢失掩码的形状；例如,如果您的输入具有形状(batch_size, timesteps, features),并且你希望所有时间步长的丢失掩码相同,则可以使用noise_shape=[batch_size, 1, features]，就是哪一个是1，那么就在哪一维度按照相同的方式dropout，如果没有1就是普通的。
seed：随机种子

作用：

防止过拟合，提高模型的泛化能力。

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，fashion_mnist 数据集中的图片，形状是 (28, 28, 1)即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape。

num_classes = 5

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.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

四、确定学习的目标

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=0.001)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

五：模型训练

epochs = 10

history = model.fit(
  train_ds,
  validation_data=val_ds,
  epochs=epochs
)

六、模型评估

1.Accuracy与Loss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.混淆矩阵

Seaborn是一个画图库，它基于Matplotlib核心库进行了更高阶的API封装，可以让你轻松地画出更漂亮的图形。Seaborn的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。

from sklearn.metrics import confusion_matrix
import seaborn as sns
import pandas as pd

# 定义一个绘制混淆矩阵图的函数
def plot_cm(labels, predictions):
    
    # 生成混淆矩阵
    conf_numpy = confusion_matrix(labels, predictions)
    # 将矩阵转化为 DataFrame
    conf_df = pd.DataFrame(conf_numpy, index=class_names ,columns=class_names)  
    
    plt.figure(figsize=(8,7))
    
    sns.heatmap(conf_df, annot=True, fmt="d", cmap="BuPu")
    # 用黑体显示中文
    plt.rcParams['font.sans-serif'] = ['SimHei'] 
    plt.title('混淆矩阵',fontsize=15)
    plt.ylabel('真实值',fontsize=14)
    plt.xlabel('预测值',fontsize=14)
val_pre   = []
val_label = []

for images, labels in val_ds:#这里可以取部分验证数据（.take(1)）生成混淆矩阵
    for image, label in zip(images, labels):
        # 需要给图片增加一个维度
        img_array = tf.expand_dims(image, 0) 
        # 使用模型预测图片中的人物
        prediction = model.predict(img_array)

        val_pre.append(class_names[np.argmax(prediction)])
        val_label.append(class_names[label])
plot_cm(val_label, val_pre)

七、保存和加载模型

# 保存模型
model.save('model/17_model.h5')
# 加载模型
new_model = tf.keras.models.load_model('model/17_model.h5')

八、预测

# 采用加载的模型（new_model）来看预测结果

plt.figure(figsize=(10, 5))  # 图形的宽为10高为5
plt.suptitle("预测结果展示")

for images, labels in val_ds.take(1):
    for i in range(15):
        ax = plt.subplot(3, 5, i + 1)  
        
        # 显示图片
        plt.imshow(images[i].numpy().astype("uint8"))
        # 用黑体显示中文
        plt.rcParams['font.sans-serif'] = ['SimHei'] 
        # 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 = new_model.predict(img_array)
        plt.title(class_names[np.argmax(predictions)])

        plt.axis("off")

可以看到大部分预测都是准确的。

参考如下：

>- 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）天气识别 | 第5天](https://mtyjkh.blog.csdn.net/article/details/117186183)

猿童学

关注

12
点赞
踩
72

收藏

觉得还不错? 一键收藏
打赏
2
评论
卷积神经网络（CNN）天气识别

卷积作用是为了进行特征提取因为输入的信息中可能只有一小部分是对我们解决问题有帮助的，这些信息比较关键，这时候只提取这部分信息就可以了。对于计算机来说，进行特征提取后，需要处理的信息就急剧减少，可以极大的加快运行速度，当然这只是我认为其中比较重要的一个原因。directory: 数据所在目录。如果标签是inferred（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。subset:training或validation之一。仅在设置时使用。seed。......
复制链接

扫一扫