一、前期工作
1. 设置GPU
from tensorflow import keras from tensorflow.keras import layers,models import os, PIL, pathlib import matplotlib.pyplot as plt import tensorflow as tf gpus = tf.config.list_physical_devices("GPU") if gpus: gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用 tf.config.set_visible_devices([gpu0],"GPU") gpus
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2. 导入并查看数据
data_dir = pathlib.Path("./data/") image_count = len(list(data_dir.glob('*/*/*.jpg'))) print("图片总数为：",image_count)
图片总数为： 578
roses= list(data_dir.glob('train/nike/*.jpg')) PIL.Image.open(str(roses[0]))
二、数据预处理
1. 加载数据
使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中
测试集与验证集的关系：
验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
因此，我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集
batch_size = 32 img_height = 224 img_width = 224
train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./data/train/", seed=123, image_size=(img_height, img_width), batch_size=batch_size)
Found 502 files belonging to 2 classes.
val_ds = tf.keras.preprocessing.image_dataset_from_directory( "./data/test/", seed=123, image_size=(img_height, img_width), batch_size=batch_size)
Found 76 files belonging to 2 classes.
我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。
class_names = train_ds.class_names print(class_names)
['adidas', 'nike']
2. 可视化数据
plt.figure(figsize=(20, 10)) for images, labels in train_ds.take(1): for i in range(20): ax = plt.subplot(5, 10, i + 1) plt.imshow(images[i].numpy().astype("uint8")) plt.title(class_names[labels[i]]) plt.axis("off")
3. 再次检查数据
for image_batch, labels_batch in train_ds: print(image_batch.shape) print(labels_batch.shape) break
(32, 224, 224, 3)
(32,)
4. 配置数据集
- shuffle() ：打乱数据，关于此函数的详细介绍可以参考：🔗365天深度学习训练营
- prefetch() ：预取数据，加速运行
prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：
用prefetch()可显著减少空闲时间：
- cache() ：将数据集缓存到内存当中，加速运行
AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
三、构建CNN网络
卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入的形状是 (224, 224, 3)即彩色图像。我们需要在声明第一层时将形状赋值给参数input_shape。
num_classes = 2 model = models.Sequential([ layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)), layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3 layers.AveragePooling2D((2, 2)), # 池化层1，2*2采样 layers.Conv2D(32, (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.Dropout(0.3), layers.Conv2D(64, (3, 3), activation='relu'), # 卷积层3，卷积核3*3 layers.Dropout(0.3), layers.Flatten(), # Flatten层，连接卷积层与全连接层 layers.Dense(128, activation='relu'), # 全连接层，特征进一步提取 layers.Dense(num_classes) # 输出层，输出预期结果 ]) model.summary() # 打印网络结构
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= rescaling (Rescaling) (None, 224, 224, 3) 0 _________________________________________________________________ conv2d (Conv2D) (None, 222, 222, 16) 448 _________________________________________________________________ average_pooling2d (AveragePo (None, 111, 111, 16) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 109, 109, 32) 4640 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 54, 54, 32) 0 _________________________________________________________________ dropout (Dropout) (None, 54, 54, 32) 0 _________________________________________________________________ conv2d_2 (Conv2D) (None, 52, 52, 64) 18496 _________________________________________________________________ dropout_1 (Dropout) (None, 52, 52, 64) 0 _________________________________________________________________ flatten (Flatten) (None, 173056) 0 _________________________________________________________________ dense (Dense) (None, 128) 22151296 _________________________________________________________________ dense_1 (Dense) (None, 2) 258 ================================================================= Total params: 22,175,138 Trainable params: 22,175,138 Non-trainable params: 0 ________________________________________________________________
四、训练模型
在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：
损失函数（loss）：用于衡量模型在训练期间的准确率。
优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。
1. 设置动态学习率
# 设置初始学习率 initial_learning_rate = 0.0001 lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay( initial_learning_rate, decay_steps=50, # 敲黑板！！！这里是指 steps，不是指epochs decay_rate=0.98, # lr经过一次衰减就会变成 decay_rate*lr staircase=True) # 将指数衰减学习率送入优化器 optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule) model.compile(optimizer=optimizer, loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
学习率大与学习率小的优缺点分析:
学习率大
● 优点： ○ 1、加快学习速率。 ○ 2、有助于跳出局部最优值。 ● 缺点： ○ 1、导致模型训练不收敛。 ○ 2、单单使用大学习率容易导致模型不精确。
学习率小
● 优点： ○ 1、有助于模型收敛、模型细化。 ○ 2、提高模型精度。 ● 缺点： ○ 1、很难跳出局部最优值。 ○ 2、收敛缓慢。
注意：这里设置的动态学习率为：指数衰减型（ExponentialDecay）。在每一个epoch开始前，学习率（learning_rate）都将会重置为初始学习率（initial_learning_rate），然后再重新开始衰减。计算公式如下：
learning_rate = initial_learning_rate * decay_rate ^ (step / decay_steps)
2. 早停与保存最佳模型参数
EarlyStopping()参数说明：
monitor: 被监测的数据。
min_delta: 在被监测的数据中被认为是提升的最小变化， 例如，小于 min_delta 的绝对变化会被认为没有提升。
patience: 没有进步的训练轮数，在这之后训练就会被停止。
verbose: 详细信息模式。
mode: {auto, min, max} 其中之一。 在 min 模式中， 当被监测的数据停止下降，训练就会停止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。
baseline: 要监控的数量的基准值。 如果模型没有显示基准的改善，训练将停止。
estore_best_weights: 是否从具有监测数量的最佳值的时期恢复模型权重。 如果为 False，则使用在训练的最后一步获得的模型权重。
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping epochs = 60 # 保存最佳模型参数 checkpointer = ModelCheckpoint('best_model.h5', monitor='val_accuracy', verbose=1, save_best_only=True, save_weights_only=True) # 设置早停 earlystopper = EarlyStopping(monitor='val_accuracy', min_delta=0.001, patience=20, verbose=1)
3. 模型训练
history = model.fit(train_ds, validation_data=val_ds, epochs=epochs, callbacks=[checkpointer, earlystopper])
Epoch 00057: val_accuracy did not improve from 0.88158
Epoch 00057: early stopping
效果最好的一次，epoch走完了60次，val_accuracy为0.92，感觉选择一平均一最大池化比两平均效果好些。
五、模型评估
1. Loss与Accuracy图
acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs_range = range(len(loss)) plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, label='Training Accuracy') plt.plot(epochs_range, val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.title('Training and Validation Accuracy') plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, label='Training Loss') plt.plot(epochs_range, val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show()
# 加载效果最好的模型权重 model.load_weights('best_model.h5') from PIL import Image import numpy as np # img = Image.open("./45-data/Monkeypox/M06_01_04.jpg") #这里选择你需要预测的图片 img = np.array(Image.open("./data/train/nike/1 (108).jpg")) #这里选择你需要预测的图片 image = tf.image.resize(img, [img_height, img_width]) img_array = tf.expand_dims(image, 0) predictions = model.predict(img_array) # 这里选用你已经训练好的模型 print("预测结果为：",class_names[np.argmax(predictions)])
预测结果为： nike
一些收获与学习笔记：
1、对于卷积与池化
池化时，如果更注重整体、背景，可以选择平均池化，但会使得图片“模糊”；如果更注重纹理、线条边缘，可以选择最大池化，如本次运动鞋识别，最大池化效果好些。
一般而言，卷积层越多性能越好，但容易过拟合，池化层越多能回会降低模型预测的精准度。
即大的方向上，欠拟合加卷积，过拟合加池化。
2、对于学习率
并非学得越精细越好，有时可能会陷入"极大值"区域而非"最大值"。
学习率大
● 优点： ○ 1、加快学习速率。 ○ 2、有助于跳出局部最优值。 ● 缺点： ○ 1、导致模型训练不收敛。 ○ 2、单单使用大学习率容易导致模型不精确。
学习率小
● 优点： ○ 1、有助于模型收敛、模型细化。 ○ 2、提高模型精度。 ● 缺点： ○ 1、很难跳出局部最优值。 ○ 2、收敛缓慢。
3、batch_size
Batch_size的作用：决定了下降的方向。
在神经网络训练时，如果数据集足够小，可将数据一次性全部喂给神经网络
但我们常常面临的是比较大的数据集，一次性喂给神经网络时，往往会出现内存/显存不足的现象。
此时，我们会把比较大的数据集，分批次喂给神经网络。
batch_size：表示一次性喂给神经网络多少数据。
batches：该值等于dataset除以batch_size。总的数据集是dataset，我们每次喂给神经网络batch_size个数据，一共要喂dataset/batch_size次，才可以把数据集全部处理一遍。
steps：该值等于batches。steps表示在一个epoch内，要迭代多少次才可以把所有的数据都训练一遍；显然，迭代次数等于dataset/batch_size。
在合理范围内，增大Batch_size的好处：
提高了内存利用率以及大矩阵乘法的并行化效率；
跑完一次epoch(全数据集）所需要的迭代次数减少，对相同的数据量，处理的速度比小的Batch_size要更快；
在一定范围内，一般来说 Batch_Size 越大，其确定的下降方向越准，引起训练震荡越小。
盲目增大Batch_size，Batch_size过大的坏处：
提高了内存利用率，但是内存容量可能撑不住；
跑完一次epoch(全数据集)所需的迭代次数减少，要想达到相同的精度，其所花费的时间大大增加，从而对参数的修正也就显得更加缓慢；
Batch_Size 增大到一定程度，其确定的下降方向已经基本不再变化（会影响随机性的引入）。
一些经验之谈：
一般而言，根据GPU显存，设置为最大，而且一般要求是８的倍数（比如16，32，64），GPU内部的并行计算效率最高。
或者选择一部分数据，设置几个８的倍数的Batch_Size，看看loss的下降情况，再选用效果更好的值。
总结：
batch_size设的大一些，收敛得快，也就是需要训练的次数少，准确率上升的也很稳定，但是实际使用起来精度不高；
batch_size设的小一些，收敛得慢，可能准确率来回震荡，因此需要把基础学习速率降低一些，但是实际使用起来精度较高。
4、输入图片的大小
输入网络的图片大小要根据网络结构来确定。
主要看pool这个操作执行了几次，比如pool是2*2的，那么一次pool图像就缩小了一半。本实验执行了3次，就是2^3，那输入图片的尺寸就必须是2的3次方，8的倍数。
输入图片大小变小之后，batchsize可以调大一些。在不超内存的情况下，batch越大越好
5、others
对于训练集，在训练之前要进行shuffle操作，以确保模型的泛化能力。每一个epoch都需打乱数据的顺序，以使网络受到的调整更具有多样性。同时，我们会不断监督网络的训练效果。通常情况下，网络的性能提高速度会越来越慢，在几十到几百个epoch后网络的性能会趋于稳定，即性能基本不再提高.
通过Dataset对象的cache()方法和prefetch()通过缓存到内存中加速模型运行。
