文章目录
一、自制数据集，解决本领域应用
1、自制数据集
当有本地数据集时，我们不能直接用load_data来加载数据，这时需要自己写函数去制作数据集。
在电脑中有两个文件夹和两个txt文件，分别存放了训练集和测试集的图片和标签。
其中，训练集有6万张图片，测试集1万张图片。
标签文件mnist_train_jpg_xxxxx.txt 的结构是：
value[0]用于索引到每张图片，也就是图片名字，value[1]是每张图片对应标签。
用到的主要函数是generateds()
# generateds()函数，用于制作数据集
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_
2、mnist实验代码
import tensorflow as tf
from PIL import Image
import numpy as np
import os
# 添加训练集图片和标签文件路径
train_path = './mnist_image_label/mnist_train_jpg_60000/'
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'
# 训练集输入特征存储文件，标签存储文件
x_train_savepath = './mnist_image_label/mnist_x_train.npy'
y_train_savepath = './mnist_image_label/mnist_y_train.npy'
# 添加测试集图片和标签文件路径
test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
# 测试集输入特征存储文件，标签存储文件
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'
# generateds()函数，用于制作数据集
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_
# 判断训练集特征x_train，训练集标签y_train，测试集输入特征x_test，测试集标签y_test是不是已经存在
# 如果存在，直接读取
# 如果不存在，调用generateds()函数制作数据集
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)
# reshape()是数组array中的方法，作用是将数据重新组织，这里可以理解为将数据组织成len(x_train_save), 28, 28的三维数组
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)
# 下面的和之前六步法的完全一样
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()
二、数据增强，扩充数据集
1、介绍
对图像的增强，就是对图像的简单形变，用来应对因拍照角度不同而引起的图片变形。
- rescale：对输入特征的数值大小进行调整，每个输入特征乘以程序中的超参数
- rotation_range：对图像进行角度的随机旋转
- width_shift_range：对图像进行随机宽度偏移
- height_shift_range：对图像进行随机高度偏移
- horizontal_flip：选择是否开启随机水平翻转
- zoom_range：选择随机缩小放大图片
主要代码部分：
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
水平翻转：horizontal_flip = 是否随机水平翻转
随机缩放：zoom_range = 随机缩放的范围[1-n,1+n])
image_gen_train.fit(x_train)
2、实验代码
import tensorflow as tf
# 增加了ImageDataGenerator模块
from tensorflow.keras.preprocessing.image import ImageDataGenerator
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)
# 因为后面image_gen_train.fit需要输入四维数据，因此需要reshape，将数据变为60000张28行28列单通道数据，这个单通道是灰度值
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
# 把x_train送入数据增强操作
image_gen_train = ImageDataGenerator(
rescale=1. / 1., # 如为图像，分母为255时，可归至0～1
rotation_range=45, # 随机45度旋转
width_shift_range=.15, # 宽度偏移
height_shift_range=.15, # 高度偏移
horizontal_flip=False, # 水平翻转
zoom_range=0.5 # 将图像随机缩放阈量50％
)
# fit执行增强操作
image_gen_train.fit(x_train)
# 搭建网络结构
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 配置训练方法
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 执行训练过程
# fit这里以flow形式按照batch打包后执行训练过程
model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test),
validation_freq=1)
model.summary()
三、断点续训，存取模型
1、读取保存模型
（1）读取模型
命令
load_weights(路径文件名)
例子
# 先定义出存放模型的路径和文件名，命名为ckpt文件
# 生成ckpt文件时，会同步生成索引表，所以通过判断是否已经有索引表，就知道是不是已经保存过模型参数
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
# 如果有索引表，就说明保存过模型，则可以调用load_weights读取模型参数
model.load_weights(checkpoint_save_path)
（2）保存模型
命令
# 回调函数
# 三个参数分别为：文件存储路径/是否只保留模型参数/是否只保留最优结果
tf.keras.callbacks.ModelCheckpoint(
filepath=路径文件名, save_weights_only=True/False, save_best_only=True/False)
# 执行训练过程时，加入callbacks选项，记录到history中
history = model.fit(callbacks=[cp_callback])
例子
# 加入回调函数，返回给cp_callback
# 三个参数分别为：文件存储路径/是否只保留模型参数/是否只保留最优结果
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
# 执行训练过程时，加入callbacks选项，记录到history中
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
2、实验代码
import tensorflow as tf
# 为了判断保存的模型参数是否存在，引入os模块
import os
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 先定义出存放模型的路径和文件名，命名为ckpt文件
# 生成ckpt文件时，会同步生成索引表，所以通过判断是否已经有索引表，就知道是不是已经保存过模型参数
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
# 如果有索引表，就说明保存过模型，则可以调用load_weights读取模型参数
model.load_weights(checkpoint_save_path)
# 加入回调函数，返回给cp_callback
# 三个参数分别为：文件存储路径/是否只保留模型参数/是否只保留最优结果
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
# 执行训练过程时，加入callbacks选项，记录到history中
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
四、参数提取，把参数存入文本
1、提取可训练参数并打印
（1）提取可训练参数
model.trainable_variables
（2）设置print输出格式
np.set_printoptions(threshold=超过多少省略显示)
当设置阈值为np.inf时，表示全部显示
np.set_printoptions(threshold=np.inf) # np.inf表示无限大
还可以用for循环将参数存入文本文件
print(model.trainable_variables)
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()
2、实验代码
参数续训的基础上增加一部分。
import tensorflow as tf
import os
# 引入numpy模块
import numpy as np
# 设置打印选项，打印所有内容
np.set_printoptions(threshold=np.inf)
# 导入数据集，并归一化处理
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 搭建网络结构
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
# 配置训练参数
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 参数续训
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
# 执行训练过程
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
# 显示网络结构和结果等
model.summary()
# 打印所有可训练参数，并存入weights文件
print(model.trainable_variables)
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()
五、acc/loss可视化，查看训练效果
1、介绍
在history=model.fit()训练过程中，同步记录了训练集loss、测试集loss、训练集准确率和测试集准确率，因此可以用history.history提取出来。
# 训练集准确率
acc = history.history['sparse_categorical_accuracy']
# 测试集准确率
val_acc = history.history['val_sparse_categorical_accuracy']
# 训练集损失函数
loss = history.history['loss']
# 测试集损失函数
val_loss = history.history['val_loss']
2、实验代码
在参数续训和参数提取的代码基础上加上画图
import tensorflow as tf
import os
import numpy as np
from matplotlib import pyplot as plt
np.set_printoptions(threshold=np.inf)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
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=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
print(model.trainable_variables)
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()
############################################### show ###############################################
# 显示训练集和验证集的acc和loss曲线
acc = history.history['sparse_categorical_accuracy']
val_acc = history.history['val_sparse_categorical_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
# subplot将图像分为1行2列，这段代码画第1列
plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
# 画出图例
plt.legend()
# 画出第二列
plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
结果
六、应用程序，给物识图
在这一节之前，已经可以掌握神经网络训练模型的方法，但是要让模型可用，还要编写一套应用程序，实现给图识物。
1、前向传播执行应用
TensorFlow给出predict函数，可以根据输入特征，输出预测结果。
predict(输入特征,batch_size=整数)
有了predict函数，实现前向传播执行识图应用仅需三步。
（1）复现模型（前向传播）
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')])
（2）加载参数
model.load_weights(model_save_path)
（3）预测结果
result = model.predict(x_predict)
2、输入图片预处理方法
（1）预处理方法1：颜色取反
图片是白底黑字的图片，但是我们训练模型用的数据集是黑底白字的灰度图，因此需要让每个像素点等于255减去当前像素值。相当于颜色取反。
img_arr = 255 - img_arr
（2）预处理方法2：输入图片变成只有黑色和白色的高对比度图片
用嵌套for循环，遍历输入图片的每一个像素点，灰度值小于200的变成255（纯白色），其余像素点变成0（纯黑色），保留图片有用信息的同时，滤去背景噪声，使图片更干净，阈值选择合理时识别效果会更好。
for i in range(28):
for j in range(28):
if img_arr[i][j] < 200:
img_arr[i][j] = 255
else:
img_arr[i][j] = 0
3、实验代码
from PIL import Image
import numpy as np
import tensorflow as tf
model_save_path = './checkpoint/mnist.ckpt'
# 搭建网络结构
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')])
# 加载参数
model.load_weights(model_save_path)
# 询问要执行多少次图像识别的任务
preNum = int(input("input the number of test pictures:"))
# 读入要识别的图片
for i in range(preNum):
image_path = input("the path of test picture:")
img = Image.open(image_path)
# 因为训练时是28行28列的灰度图，输入是任意图片，因此需要resize成28行28列的灰度图
img = img.resize((28, 28), Image.ANTIALIAS)
img_arr = np.array(img.convert('L'))
# 预处理方法1，颜色取反
# 图片是白底黑字的图片，但是我们训练模型用的数据集是黑底白字的灰度图
# 因此需要让每个像素点等于255减去当前像素值
#img_arr = 255 - img_arr
# 预处理方法2，输入图片变成只有黑色和白色的高对比度图片
# 用嵌套for循环，遍历输入图片的每一个像素点
# 灰度值小于200的变成255（纯白色），其余像素点变成0（纯黑色）
# 保留图片有用信息的同时，滤去背景噪声，使图片更干净，阈值选择合理时识别效果会更好
for i in range(28):
for j in range(28):
if img_arr[i][j] < 200:
img_arr[i][j] = 255
else:
img_arr[i][j] = 0
# 图片数据归一化
img_arr = img_arr / 255.0
print("img_arr:", img_arr.shape)
# 神经网络训练时都是按照batch送入网络的
# 因为训练时是28行28列的灰度图，输入是任意图片，因此需要resize成28行28列的灰度图
x_predict = img_arr[tf.newaxis, ...]
print("x_predict:", x_predict.shape)
# 送入predict预测
result = model.predict(x_predict)
# 把最大的概率值输出
pred = tf.argmax(result, axis=1)
# 返回预测结果
print('\n')
tf.print(pred)
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
