深度学习 第T2周:彩色图片分类
文章目录
一、前言
- 🍨 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 | 接辅导、项目定制
- 🚀 文章来源:K同学的学习圈子
二、我的环境
- 电脑系统:Windows 10
- 语言环境:Python 3.6.5
- 深度学习环境:TensorFlow 2.6.2
- 编译器:jupyter notebook
三、导入和查看数据
本节内容使用的数据集是CIFAR10,图片大小为28x28,数据分为训练集图片、训练集标签、测试集图片、测试集标签,需要对图片作归一化(就是把每张图片的所有像素都缩小到[0,1]内)。
1、导入tf依赖库&数据
tf使用指南:https://tensorflow.google.cn/guide?hl=zh-cn,可以查询到tf可以调用到的所有依赖库的用法
# 导入tf库
import tensorflow as tf
# 从tf的keras依赖库中导入三个CNN必备要素:数据集、层数、模型
from tensorflow.keras import datasets, layers, models
# 导入绘图工具matplotlib,没有安装的需要先安装
import matplotlib.pyplot as plt
# 导入cifar10数据,依次分别为训练集图片、训练集标签、测试集图片、测试集标签
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
ETA:3:26:20 是下载完所需的时间
出现下面这种报错可能是网速不好,重新下载即可:
2、数据归一化
# 将像素的值标准化至0到1的区间内。
# (对于灰度图片来说,每个像素∈[0,255],即直接除以255就可以完成归一化。)
train_images, test_images = train_images / 255.0, test_images / 255.0
# 查看数据维数信息
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
归一化结果:
3、可视化数据(看看导入的数据都有些什么图片把!~)
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(20,10))
for i in range(20):
plt.subplot(2,10,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i][0]])
plt.show()
20张图片如下:
五、构建CNN网络 & 编译 & 训练 & 预测 & 评估
使用CNN进行应用的一般步骤(5步):选择模型、构建模型、编译模型、训练模型,及预测模型。使用的CNN网络结构:
1. 调用tf接口组建CNN结构
序列模型(Sequential)适用于每层只有一个输入张量和一个输出张量的普通层堆栈。
以下情况下,序列模型不适用:
- 模型有多个输入或多个输出
- 任何层都有多个输入或多个输出
- 需要进行图层共享
- 需要非线性拓扑(例如剩余连接、多分支模型)
model = models.Sequential([
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), #卷积层1,卷积核3*3
layers.MaxPooling2D((2, 2)), #池化层1,2*2采样
layers.Conv2D(64, (3, 3), activation='relu'), #卷积层2,卷积核3*3
layers.MaxPooling2D((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.Flatten(), #Flatten层,连接卷积层与全连接层
layers.Dense(64, activation='relu'), #全连接层,特征进一步提取
layers.Dense(10) #输出层,输出预期结果
])
model.summary() # 打印网络结构
2. 编译模型
model.compile(
optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
# 设置性能指标列表,将在模型训练时监控列表中的指标
metrics=['accuracy'])
3. 训练模型
"""
这里设置输入训练数据集(图片及标签)、验证数据集(图片及标签)以及迭代次数epochs
"""
history = model.fit(
# 输入训练集图片
train_images,
# 输入训练集标签
train_labels,
# 设置10个epoch,每一个epoch都将会把所有的数据输入模型完成一次训练。
epochs=10,
# 设置验证集
validation_data=(test_images, test_labels))
4. 查看模型预测效果
随意输入一张数字图片,经过下图中的层层计算,最后在输出层得到预测的结果,预测结果是一组表示每个数字的几率值,几率值最大的那个数字就是最终的预测结果。
plt.imshow(test_images[1])
输出测试集中第一张图片的预测结果:
import numpy as np
pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])
5. 评估
import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
六、其他
(1)accuracy=0.7982,修改epoch=20,训练情况如下:
可见,单纯修改epoch次数对增加accuracy用处不大。