TensorFlow2.0基本操作（七）-利用ResNet18跑Cifar100

0插入语

本人显卡1050 2G性能不足，因此将resnet18([2,2,2,2])改为了resnet10([1,1,1,1]),并且在cirfar100数据集为50000的情况下，将batchsiz设置为了8.显卡配置过关的同学请将本程序中的这两块改回去。

解决方法：使用Google的Colab,本人将在下一篇博客中介绍利用Colab跑tf

1主程序

import tensorflow as tf
from  tensorflow.keras import layers, optimizers, datasets, Sequential
import os
from  resnet import resnet18


os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
tf.random.set_seed(2345)




# 4）设置下加载的数据集
# 4.1）预处理一下
def preprocess(x, y):
    # [-1~1]
    x = 2 * tf.cast(x, dtype=tf.float32)/255. - 1
    y = tf.cast(y, dtype=tf.int32)
    return x, y


# 4.2)数据的加载
# 此处按道理来讲tf会自动从官网上下载，但是由于数据量太大100多兆，容易出错（链接更新了），或者时间很慢
# 因此百度数据集提前下载好，放在文件夹“C:\Users\wanfuchun\.keras\datasets”无需解压，程序会自动解压
(x, y), (x_test, y_test) = datasets.cifar100.load_data()
y = tf.squeeze(y, axis=1)          # axis=1,把‘1’维度挤压掉
y_test = tf.squeeze(y_test, axis=1)          # axis=1,把‘1’维度挤压掉
print(x.shape, y.shape, x_test.shape, y_test.shape)


# 5）设置下dataset
train_db = tf.data.Dataset.from_tensor_slices((x, y))
train_db = train_db.shuffle(1000).map(preprocess).batch(8)

test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test))
test_db = test_db.map(preprocess).batch(8)
sample = next(iter(train_db))
print('sample:', sample[0].shape, sample[1].shape,
      tf.reduce_min(sample[0]), tf.reduce_max(sample[0]))


def main():

    # 测试代码：
    # [b, 32, 32, 3] => [b, 1, 1, 3]
    model = resnet18()
    model.build(input_shape=(None, 32, 32, 3))
    model.summary()
    # 8)优化器的更新
    optimizer = optimizers.Adam(lr=1e-4)

    # 6）到此为止，数据集的部分已经加载完了，接下来设置一个测试的部分。
    for epoch in range(50):

        for step, (x, y) in enumerate(train_db):

            # [b, 32, 32, 3] => [b,100]
            with tf.GradientTape() as tape:
                # [b, 32, 32, 3] => [b, 100]
                logits = model(x)
                # [b] => [b, 100]
                y_onehot = tf.one_hot(y, depth=100)
                # compute loss
                loss = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True)
                loss = tf.reduce_mean(loss)

            grads = tape.gradient(loss, model.trainable_variables)
            # 9)把定义好的优化器传过来
            optimizer.apply_gradients(zip(grads, model.trainable_variables))


            # 10）打印一下
            if step%100 == 0:
                print(epoch, step, 'loss:', float(loss))

        # 11）测试代码：（1）这里是在每一次数据集迭代完成之后（2）也可以在每一个100个step完