神经网络搭建六步法扩展
1.自制数据集，应对特定应用
之前我们使用“MNIST数据集”，可以直接导入使用“tf.keras.datasets.mnist.load_data()”，并非所有的数据都有制作玩呗可以直接导入的数据集，因此我么你需要学会自己制作数据集。
以“MNIST”中的数据为例，我们给出：
60000张训练图片、训练图片的“图片名字 数字”形式的txt文件、10000张测试数据、测试图片的“图片名字 数字”形式的txt文件
代码实现
训练数据和测试数据的制作步骤是一样的，因此我们可以写一个函数来处理。
def generateds(path, txt):
###
###
return x, y_
对于制作流程，我们的思路是;
- 读取出txt文件中的内容（contents）
- 用x和y_两个list存放特征数据和标签
- 遍历每一行的内容
- 对每一行，根据图片名字和图片文件夹路径读入图片，转换成合适的数据结构，放入x中；将标签放入y_中
- 返回x, y_
def generateds(path, txt):
f = open(txt, 'r')
contents = f.readlines()
f.close() # 记得关闭文件哦
x, y_ = [], []
for content in contents:
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] # 图片完整路径
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. # 归一化
x.append(img)
y_.append(value[1])
print('loading : ' + content)
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_
我们可以把上面制作数据集的代码和“六步法”的代码何在一起，先检查是否存在数据集，如果存在直接load，如果不存在，先制作，然后把数据集存储到磁盘以备之后使用。（制作数据集非常耗时间）
import tensorflow as tf
from PIL import Image
import numpy as np
import os
train_path = './mnist_image_label/mnist_train_jpg_60000/'
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'
x_train_savepath = './mnist_image_label/mnist_x_train.npy'
y_train_savepath = './mnist_image_label/mnist_y_train.npy'
test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'
def generateds(path, txt):
f = open(txt, 'r')
contents = f.readlines()
f.close()
x, y_ = [], [
for content in contents:
value = content.split(
img_path = path + value[0]
img = Image.open(img_path)
img = np.array(img.convert('L'))
img = img / 255.
x.append(img)
y_.append(value[1])
print('loading : ' + content)
x = np.array(x)
y_ = np.array(y_)
y_ = y_.astype(np.int64)
return x, y_ # 返回输入特征x，返回标签y_
# 如果数据集存在就直接使用，如果不存在就 先生成 再存储
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')
])
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()
2.数据增强，增大数据量
有些时候，我们的数据量太小，需要使用数据增强来丰富我们的数据集，数据增强就是把原有的数据做一些变化（如图片的旋转，镜像等）来扩充数据。
步骤：
image_gen_train=tf.keras.preprocessing.image.ImageDataGenerator( 增 强 方法)
image_gen_train.fit(x_train)
常用增强方法：
- 缩放系数：rescale=所有数据将乘以提供的值
- 随机旋转：rotation_range=随机旋转角度数范围
- 宽度偏移：width_shift_range=随机宽度偏移量
- 高度偏移：height_shift_range=随机高度偏移量
- 水平翻转：horizontal_flip=是否水平随机翻转
- 随机缩放：zoom_range=随机缩放的范围 [1-n，1+n]
import tensorflow as tf
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
# 1. !!!!!!!!!!!!!!!!!!
# 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
image_gen_train=ImageDataGenerator(
rescale=1./1.,
rotation_range=45,
width_shift_range=.15,
height_shift_range=.15,
horizontal_flip=False,
zoom_range=0.5
)
image_gen_train.fit(x_train)
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'])
# 2.！！！！！！！！！！！！！！！！！
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()
注意：
- 数据增强函数的输入要求是4维，需要通过reshape调整
- model.fit输入训练数据和batch时要是用“image_gen_train.flow(x_train,y_train,batch_size=)”
3.断点续训，存取模型
3.1读取模型
读取模型使用model.load_weights()
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
3.2保存模型
借助tensorflow给出的回调函数，直接保存参数和网络
具体用法如下：
#上接“六步法”中的前四部
checkpoint_save_path = "./checkpoint/mnist.ckpt"
# 如果模型已经被保存过 导入模型继续训练
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
# 保存模型
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])
#下面是“六步法”的最后一步
4.参数提取，写至文本
4.1提取可训练参数
model.trainable_variables返回模型中可训练的参数。
4.2设置 print 输出格式
如果数据量太大，print输出时默认会将中间的数据省略，用“省略号”表示。
np.set_printoptions(
precision=小数点后按四舍五入保留几位,
threshold=数组元素数量少于或等于门槛值，打印全部元素；否则打印门槛值+1 个元素，中间用省略号补充
)
把threshold设置为np.inf即可输出全部数据元素。
代码如下，需要关注的地方我用！标注：
import tensorflow as tf
import os
import numpy as np
# !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
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()
weights.txt内容：
5.acc/loss 可视化，查看效果
使用变量history接收model.fit返回值，之后history.history获取acc/loss值。
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,callbacks=[cp_callback])
acc=history.history['sparse_categorical_accuracy'] # 训练数据正确率
val_acc=history.history['val_sparse_categorical_accuracy'] # 测试数据正确率
loss=history.history['loss'] # 训练数据损失值
val_loss=history.history['val_loss'] # 测试数据损失值
# 画图
plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()
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()
6、应用程序，给图识物
这里会给神经网络输入一条特征数据（手写数字图），让学习后的神经网络来预测这个数字是多少。
eg.
6.1前向传播执行应用
使用model.predict(输入数据, batch_size=整数)，返回前向传播计算结果。
因为我们这里是使用已经训练好的模型，所以需要：
- 构建一样的网络结构
- 加载保存的模型
- model.predict(x_predict)进行预测
from PIL import Image
import numpy as np
import tensorflow as tf
# 模型保存地址
model_save_path = './checkpoint/mnist.ckpt'
# 1. 构建一样的网络结构
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')])
# 2. 加载保存的模型
model.load_weights(model_save_path)
preNum = int(input("input the number of test pictures:"))
for i in range(preNum):
image_path = input("the path of test picture:")
img = Image.open(image_path)
# 预处理 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!
# 变为28*28
img = img.resize((28, 28), Image.ANTIALIAS)
# 变为灰度图
img_arr = np.array(img.convert('L'))
# 变为黑底白字
# 方法一
#img_arr = 255-img_arr
# 方法二
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
# 归一化
img_arr = img_arr / 255.0
# 增加一个维度，变为1*28*28 为了和训练时使用的数据的维度一致
x_predict = img_arr[tf.newaxis, ...]
# 3. 预测
result = model.predict(x_predict)
# pred是预测认为是0-9各个数字的概率
pred = tf.argmax(result, axis=1)
print('\n')
# pred是张量，需要用tf.print
tf.print(pred)
这里需要注意，因为我们训练神经网络时使用的是28*28的灰度图，黑底白字，所以需要把我们这里需要预测的图片（上图）转换为“28*28的灰度图，黑底白字”格式。
其中，变为黑底白字可以使用简单的方法一：img_arr = 255 - img_arr
也可以使用复杂的方法二，方法二将所有像素转换为“纯黑0”或“纯白255”，这样做可以降低图片中的噪声带来的影响。
427
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
