tensorflow2.0框架下用keras进行图片处理分类及完整模型的保存/调用

在2019年tensorflow迎来了更新，从1.0时代到2.0，其中有一个很重要的点就是keras 现在已经集成到了tensorflow框架下，因此在升级到2.0版本去运行tensorflow1.0+的代码时会遇到几个bug，略为复杂，此处不做解释。

2.0版本直接import keras 会导致error产生，需要在前面加上from tensorflow

from tensorflow import keras

以下是参考tensorflow文档个人学习的文档，由于文档内有些地方不是很明确，个人梳理了下希望能帮到一起学习的同学。

首先先进行相关的包导入

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow import keras

import numpy as np
import matplotlib.pyplot as plt 

导入数据集

keras自身封装了一些数据集，我们导入其中的fashion_mnist数据集（包含了十种服饰的6000个28*28像素的图片，标签已经标记好）

fashion_mnist = keras.datasets.fashion_mnist

对数据进行预处理

接下来就是从数据集中获取训练/测试的图片和标签，同时声明数据集中的分类；
由于60000个数据太多，我们仅取用前1000个训练集和测试集；
将图片的数值归一化，是为了更便捷地处理图片

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# 此处声明类
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']


# 取前1000个数据
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]

# 归一化数据
train_images = train_images[:1000].reshape(-1, 28, 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28, 28) / 255.0

创建序列模型

此处我们就开始搭建训练的模型，定义了一个create_model方法，其中包括模型部分和编译器部分
模型部分：
1、flatten层能展平数据；
2、Dense部分即为全连接层，代表了输入和输出；
3、activation='relu'即为激活函数，默认不适用。未使用的情况下是线性激活，输入与输出相同。
编译部分：
1、optimizer是进行优化器的选择
2、loss即是使用对应的损失函数
3、metrics是评价函数

def create_model():
    model = keras.models.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(128, activation='relu'),
        keras.layers.Dense(10)
    ])

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

开始训练模型

定义一个model对象，使用fit输入训练集和label进行训练。
epochs是指对训练集运转的轮数，10表示运转整个训练集10次。

model = create_model()
model.fit(train_images, train_labels, epochs=10)

运行结果：

1000/1000 [==============================] - 0s 103us/sample - loss: 1.6780 - accuracy: 0.8010

使用测试集查看运行的准确率

对比在训练集中的准确率，一般测试集都会较低些

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print('\nTest accuracy:', test_acc)

结果

1000/1 - 0s - loss: 1.7181 - accuracy: 0.7600

保存训练好的模型

我们先查看模型的网络结构：

print(model.summary())

运行结果：

接下俩对模型进行保存（小编命名为my_new_model)，我们保存的格式为H5文件，可视为二进制的blob。该文件内保存了完整的模型，包括其：
权重
模型配置(结构)
优化器配置
对比别的保存方式最为简便及完全。

model.save('my_new_model.h5')

调用模型

新建一个python文档，导入keras

from tensorflow import keras

加载模型

# 重新创建完全相同的模型，包括其权重和优化程序
new_model = keras.models.load_model('my_new_model.h5')

到此模型已经导入结束，我们导入测试集图片进行测试，并打印其网络结构及准确率

# 导入测试集
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# 继续选取前1000个数据作为测试集
test_labels = test_labels[:1000]
test_images = test_images[:1000].reshape(-1, 28, 28) / 255.0

# 打印出网络结构及进行测试
new_model.summary()
loss, acc = new_model.evaluate(test_images,  test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))

运行结果：

到此我们已经成功地建立了模型，并对其进行训练和验证、保存，以及对其进行了回调。
初入keras的坑，如有不对请路过的大佬多多指正，谢谢。
喜欢可关注，后续会继续发布更多的文章，感谢支持！
完整内容请参考tensorflow官方教程：
tensorflow教程