TensorFlow学习笔记

tf.keras搭建神经网络

- 六步法

1. import
2. train,test
3. Sequential or Class
4. model.compile
5. model.fit
6. model.summary
   Q1：当有个自己本领域的数据，又有了标签。显然不能用 load_data
   Q2：若数据量过少，模型训练量不够，泛化能力不够。应该怎么解决。（数据增强）
   Q3：每次训练都从头开始，不利于效率。（断点续训，参数提取）

今日主要学习内容：

1. 自制数据集，解决本领域应用
2. 数据增强，扩充数据集
3. 断点续训，存取模型
4. 参数提取，把参数存入文本
5. acc/loss可视化，查看训练效果
6. 应用练手，给图识物

自制数据集

1、拿到数据集后，现根据数据集文件（图片等）和给的txt文件（这个txt文件记录了文件名和标签）导入路径train_path和train_txt。同时建立可被tensorflow直接使用的数据集文件的存储路径和名字
（x_train_savepath，y_train_savepath），
（x_test_savepath，y_test_savepath）
2、建立数据集生成函数（generateds（path，txt））用来对给的数据集路径和，数据集标注处理，生成数据集。

def generateds(path, txt):
    f = open(txt, 'r')  # 以只读形式打开txt文件
    contents = f.readlines()  # 读取文件中所有行
    f.close()  # 关闭txt文件
    x, y_ = [], []  # 建立空列表
    for content in contents:  # 逐行取出
        value = content.split()  # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
        img_path = path + value[0]  # 拼出图片路径和文件名
        img = Image.open(img_path)  # 读入图片
        img = np.array(img.convert('L'))  # 图片变为8位宽灰度值的np.array格式
        img = img / 255.  # 数据归一化 （实现预处理）
        x.append(img)  # 归一化后的数据，贴到列表x
        y_.append(value[1])  # 标签贴到列表y_
        print('loading : ' + content)  # 打印状态提示

    x = np.array(x)  # 变为np.array格式
    y_ = np.array(y_)  # 变为np.array格式
    y_ = y_.astype(np.int64)  # 变为64位整型
    return x, y_  # 返回输入特征x，返回标签y_

3、判断4个文件
（x_train_savepath，y_train_savepath，x_test_savepath，y_test_savepath）是否存在。若不存在。调用generateds（path，txt）生成上面的4个文件，用np.load（）读取文件内的（x_train，y_train，x_test,y_test），并将x_train_save , x_test_save reshape成 (len(x_train_save), 28, 28)。
若存在。则直接用这4个文件生成（x_train, y_train），（x_test, y_test）

if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(
        x_test_savepath) and os.path.exists(y_test_savepath):
    print('-------------Load Datasets-----------------')
    x_train_save = np.load(x_train_savepath)
    y_train = np.load(y_train_savepath)
    x_test_save = np.load(x_test_savepath)
    y_test = np.load(y_test_savepath)
    x_train = np.reshape(x_train_save, (len(x_train_save), 28, 28))
    x_test = np.reshape(x_test_save, (len(x_test_save), 28, 28))
else:
    print('-------------Generate Datasets-----------------')
    x_train, y_train = generateds(train_path, train_txt)
    x_test, y_test = generateds(test_path, test_txt)

    print('-------------Save Datasets-----------------')
    x_train_save = np.reshape(x_train, (len(x_train), -1))
    x_test_save = np.reshape(x_test, (len(x_test), -1))
    np.save(x_train_savepath, x_train_save)
    np.save(y_train_savepath, y_train)
    np.save(x_test_savepath, x_test_save)
    np.save(y_test_savepath, y_test)

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

数据增强（增大数据量）

image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(
    rescale=所有数据将乘以该数值,
    rotation_range=随机旋转角度数范围,
    width_shift_range=随机宽度偏移量,
    height_shift_range=随机高度偏移量,
    horizontal_flip=是否随机水平翻转,
    zoom_range=随机缩放的范围,
)
image_gen_train.fit(x_train)

这里的 fit 需要的是一个四维的x_train

所以将x_train进行reshape
x_train = x_train.reshape(x_train.shape[0],28,28,1)
其中 1 为单通道，表示灰度值。

存取模型

读取模型

load_weights(路径文件名）

checkpoint_save_path = './checkpoint/mnist.ckpt'
if os.path.exists(checkpoint_save_path + '.index'):
    print('______________load the model _________________')
    model.load_weights(checkpoint_save_path)

生成参数文件时，会同步生成索引表，可以通过索引表，即可直接查看是否有保存过模型参数

tf.keras.callbacks.ModelCheckpoint(
    filepath=路径文件名,
    save_best_only=True/False,
    save_weights_only=True/False
    ）
    history = model.fit

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)
history = model.fit(x_train,y_train,batch_size=32,epochs=50,validation_data=(x_test,y_test),
          validation_freq=1,callbacks=[cp_callback])

提取可训练参数

model.trainable_variables 返回模型中可训练的参数

可用print直接打印出来。
np.set_printoptions(threshold = 超过多少省略显示）

np.set_printoptions(threshold=np.inf) # np.inf 表示无限大

也可使用 for 循环，将所有参数存入文本

file = open('./weights.txt','w')
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()

acc/loss可视化，查看训练效果

其实在model.fit训练过程时，已经同步记录了训练集loss、测试集val_loss、训练集准确率sparse_categorical_accuracy、
测试集准确率：val_sparse_categorical_accuracy

acc = history.history['sparse_categorical_accuracy']
val_acc = istory.history['val_sparse_categorical_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']