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
2.导入数据
data_dir = "./houdou/" data_dir = pathlib.Path(data_dir)
3. 查看数据
image_count = len(list(data_dir.glob('*/*.jpg'))) print("图片总数为：",image_count)
图片总数为： 2142
Monkeypox = list(data_dir.glob('Monkeypox/*.jpg')) PIL.Image.open(str(Monkeypox[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
batch_size = 32 img_height = 240 img_width = 240 """ 关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789 """ train_ds = tf.keras.preprocessing.image_dataset_from_directory( data_dir, validation_split=0.2, subset="training", seed=123, image_size=(img_height, img_width), batch_size=batch_size) val_ds = tf.keras.preprocessing.image_dataset_from_directory( data_dir, validation_split=0.2, subset="validation", seed=123, image_size=(img_height, img_width), batch_size=batch_size)
class_names = train_ds.class_names print(class_names)
['Monkeypox', 'Others']
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, 240, 240, 3)
(32,)
● Image_batch是形状的张量（32,240,240,3）。这是一批形状240x240x3的32张图片（最后一维指的是彩色通道RGB）。
● Label_batch是形状（32，）的张量，这些标签对应32张图片
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：数据集shuffle方法中buffer_size的理解 - 知乎
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：
使用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。
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.AveragePooling2D((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.AveragePooling2D((2, 2)), # 池化层3，2*2采样 layers.Dropout(0.4), layers.Conv2D(128, (3, 3), activation='relu'), # 卷积层4，卷积核3*3 layers.Dropout(0.5), layers.Flatten(), # Flatten层，连接卷积层与全连接层 layers.Dense(256, activation='sigmoid'), # 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_4" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= rescaling_4 (Rescaling) (None, 240, 240, 3) 0 _________________________________________________________________ conv2d_16 (Conv2D) (None, 238, 238, 16) 448 _________________________________________________________________ average_pooling2d_12 (Averag (None, 119, 119, 16) 0 _________________________________________________________________ conv2d_17 (Conv2D) (None, 117, 117, 32) 4640 _________________________________________________________________ average_pooling2d_13 (Averag (None, 58, 58, 32) 0 _________________________________________________________________ dropout_12 (Dropout) (None, 58, 58, 32) 0 _________________________________________________________________ conv2d_18 (Conv2D) (None, 56, 56, 64) 18496 _________________________________________________________________ average_pooling2d_14 (Averag (None, 28, 28, 64) 0 _________________________________________________________________ dropout_13 (Dropout) (None, 28, 28, 64) 0 _________________________________________________________________ conv2d_19 (Conv2D) (None, 26, 26, 128) 73856 _________________________________________________________________ dropout_14 (Dropout) (None, 26, 26, 128) 0 _________________________________________________________________ flatten_4 (Flatten) (None, 86528) 0 _________________________________________________________________ dense_8 (Dense) (None, 256) 22151424 _________________________________________________________________ dense_9 (Dense) (None, 2) 514 ================================================================= Total params: 22,249,378 Trainable params: 22,249,378 Non-trainable params: 0 _________________________________________________________________
四、编译
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。
# 设置优化器 opt = tf.keras.optimizers.Adam(learning_rate=1e-4) model.compile(optimizer=opt, loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
五、训练模型
关于ModelCheckpoint的详细介绍可参考文章 🔗ModelCheckpoint 讲解【TensorFlow2入门手册】
from tensorflow.keras.callbacks import ModelCheckpoint epochs = 50 checkpointer = ModelCheckpoint('best_model.h5', monitor='val_accuracy', verbose=1, save_best_only=True, save_weights_only=True) history = model.fit(train_ds, validation_data=val_ds, epochs=epochs, callbacks=[checkpointer])
Epoch 00050: val_accuracy did not improve from 0.89252
六、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(epochs) 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()
把最后全连接层ReLu换成sigmiod，val_accuracy只降低一点点，但val_loss会降低很多。
经验收获：
1.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。
2.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
3.对于学习率
如果学习率过大，很可能会越过最优值，反而如果学习率过小，优化的效率可能很低，导致过长的运算时间，所以学习率对于算法性能的表现十分重要。
优化器keras.optimizers.Adam()是解决这个问题的一个方案。其大概的思想是开始的学习率设置为一个较大的值，然后根据次数的增多，动态的减小学习率，以实现效率和效果的兼得。
