Слияние кода завершено, страница обновится автоматически
Набор данных cifar2 является подмножеством cifar10, который содержит только два класса: самолёт и автомобиль.
Каждый класс содержит 5000 изображений для обучения и 1000 изображений для тестирования.
Цель этой задачи — обучить модель классифицировать изображения как самолёт или автомобиль.
Файлы cifar2 организованы следующим образом:
Файлы изображений cifar2.
Существует два способа подготовки изображений в TensorFlow.
Первый заключается в создании генератора данных изображений с помощью ImageDataGenerator в tf.keras.
Второй — в построении конвейера данных с использованием tf.data.Dataset и нескольких методов в tf.image.
Первый способ проще и продемонстрирован в этой статье (на китайском языке).
Второй способ является оригинальным методом TensorFlow, который более гибок и может обеспечить лучшую производительность при правильном использовании.
Ниже приведено введение ко второму методу.
import tensorflow as tf
from tensorflow.keras import datasets,layers,models
BATCH_SIZE = 100
def load_image(img_path,size = (32,32)):
label = tf.constant(1,tf.int8) if tf.strings.regex_full_match(img_path,".*automobile.*") \
else tf.constant(0,tf.int8)
img = tf.io.read_file(img_path)
img = tf.image.decode_jpeg(img) #In jpeg format
img = tf.image.resize(img,size)/255.0
return(img,label)
#Parallel pre-processing using num_parallel_calls and caching data with prefetch function to improve the performance
ds_train = tf.data.Dataset.list_files("../data/cifar2/train/*/*.jpg") \
.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE) \
.shuffle(buffer_size = 1000).batch(BATCH_SIZE) \
.prefetch(tf.data.experimental.AUTOTUNE)
ds_test = tf.data.Dataset.list_files("../data/cifar2/test/*/*.jpg") \
.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE) \
.batch(BATCH_SIZE) \
.prefetch(tf.data.experimental.AUTOTUNE)
%matplotlib inline
%config InlineBackend.figure_format = 'svg'
#Checking part of the samples
from matplotlib import pyplot as plt
plt.figure(figsize=(8,8))
for i,(img,label) in enumerate(ds_train.unbatch().take(9)):
ax=plt.subplot(3,3,i+1)
ax.imshow(img.numpy())
ax.set_title("label = %d"%label)
ax.set_xticks([])
ax.set_yticks([])
plt.show()
Предварительный просмотр части образцов.
for x,y in ds_train.take(1):
print(x.shape,y.shape)
(100, 32, 32, 3) (100,)
Обычно существует три способа моделирования с использованием API Keras: последовательное моделирование с использованием функции Sequential(), произвольное моделирование с использованием функционального API и настраиваемое моделирование путём наследования базового класса Model.
Здесь мы используем функции API для моделирования.
tf.keras.backend.clear_session() #Clearing the session
inputs = layers.Input(shape=(32,32,3))
x = layers.Conv2D(32,kernel_size=(3,3))(inputs)
x = layers.MaxPool2D()(x)
x = layers.Conv2D(64,kernel_size=(5,5))(x)
x = layers.MaxPool2D()(x)
x = layers.Dropout(rate=0.1)(x)
x = layers.Flatten()(x)
x = layers.Dense(32,activation='relu')(x)
outputs = layers.Dense(1,activation = 'sigmoid')(x)
model = models.Model(inputs = inputs,outputs = outputs)
model.summary()
``` ```
MaxPooling2 (None, 5, 5, 64) 0
_________________________________________________________________
dropout (Dropout) (None, 5, 5, 64) 0
_________________________________________________________________
flatten (Flatten) (None, 1600) 0
_________________________________________________________________
dense (Dense) (None, 32) 51232
_________________________________________________________________
dense_1 (Dense) (None, 1) 33
=================================================================
Всего параметров: 103,425
Обучаемых параметров: 103,425
Необучаемых параметров: 0
_________________________________________________________________
Есть три обычных способа обучения модели: использование внутренней функции fit, использование внутренней функции train_on_batch и настраиваемый цикл обучения. Здесь мы представляем самый простой способ: использование внутренней функции fit.
import datetime
import os
stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = os.path.join('data', 'autograph', stamp)
## Мы рекомендуем использовать pathlib под Python3
# from pathlib import Path
# stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# logdir = str(Path('../data/autograph/' + stamp))
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=tf.keras.losses.binary_crossentropy,
metrics=["accuracy"]
)
history = model.fit(ds_train,epochs= 10,validation_data=ds_test,
callbacks = [tensorboard_callback],workers = 4)
Поезд на 100 шагов, валидация на 20 шагов Эпоха 1/10 100/100 [==============================] — 16s 156ms/step — loss: 0.4830 — accuracy: 0.7697 — val_loss: 0.3396 — val_accuracy: 0.8475 Эпоха 2/10 100/100 [==============================] — 14s 142ms/step — loss: 0.3437 — accuracy: 0.8469 — val_loss: 0.2997 — val_accuracy: 0.8680 Эпоха 3/10 100/100 [==============================] — 13s 131ms/step — loss: 0.2871 — accuracy: 0.8777 — val_loss: 0.2390 — val_accuracy: 0.9015 Эпоха 4/10 100/100 [==============================] — 12s 117ms/step — loss: 0.2410 — accuracy: 0.9040 — val_loss: 0.2005 — val_accuracy: 0.9195 Эпоха 5/10 100/100 [==============================] — 13s 130ms/step — loss: 0.1992 — accuracy: 0.9213 — val_loss: 0.1949 — val_accuracy: 0.9180 Эпоха 6/10 100/100 [==============================] — 14s 136ms/step — loss: 0.1737 — accuracy: 0.9323 — val_loss: 0.1723 — val_accuracy: 0.9275 Эпоха 7/10 100/100 [==============================] — 14s 139ms/step — loss: 0.1531 — accuracy: 0.9412 — val_loss: 0.1670 — val_accuracy: 0.9310 Эпоха 8/10 100/100 [==============================] — 13s 134ms/step — loss: 0.1299 — accuracy: 0.9525 — val_loss: 0.1553 — val_accuracy: 0.9340 Эпоха 9/10 100/100 [==============================] — 14s 137ms/step — loss: 0.1158 — accuracy: 0.9556 — val_loss: 0.1581 — val_accuracy: 0.9340 Эпоха 10/10 100/100 [==============================] — 14s 142ms/step — loss: 0.1006 — accuracy: 0.9617 — val_loss: 0.1614 — val_accuracy: 0.9345
### 4. Оценка модели
```python
%load_ext tensorboard
#%tensorboard --logdir ../data/keras_model
from tensorboard import notebook
notebook.list()
#Checking model in tensorboard
notebook.start("--logdir ../data/keras_model")
import pandas as pd
dfhistory = pd.DataFrame(history.history)
dfhistory.index = range(1,len(dfhistory) + 1)
dfhistory.index.name = 'epoch'
dfhistory
``` ```
'bo--')
plt.plot(epochs, val_metrics, 'ro-')
plt.title('Обучение и валидация ' + metric)
plt.xlabel("Эпохи")
plt.ylabel(metric)
plt.legend(["train_"+metric, 'val_'+metric])
plt.show()
plot_metric(history,"loss")
../data/1-2-Loss曲线.jpg
plot_metric(history,"accuracy")
../data/1-2-Accuracy曲线.jpg
# Оценка данных с помощью функции model.evaluate
val_loss,val_accuracy = model.evaluate(ds_test,workers=4)
print(val_loss,val_accuracy)
0.16139143370091916 0.9345
Мы можем использовать model.predict(ds_test) для прогнозирования.
Также мы можем использовать model.predict_on_batch(x_test), чтобы предсказать пакет данных.
model.predict(ds_test)
array([[9.9996173e-01],
[9.5104784e-01],
[2.8648047e-04],
...,
[1.1484033e-03],
[3.5589080e-02],
[9.8537153e-01]], dtype=float32)
for x,y in ds_test.take(1):
print(model.predict_on_batch(x[0:20]))
tf.Tensor(
[[3.8065155e-05]
[8.8236779e-01]
[9.1433197e-01]
[9.9921846e-01]
[6.4052093e-01]
[4.9970779e-03]
[2.6735585e-04]
[9.9842811e-01]
[7.9198682e-01]
[7.4823302e-01]
[8.7208226e-03]
[9.3951421e-03]
[9.9790359e-01]
[9.9998581e-01]
[2.1642199e-05]
[1.7915063e-02]
[2.5839690e-02]
[9.7538447e-01]
[9.7393811e-01]
[9.7333014e-01]], shape=(20, 1), dtype=float32)
Рекомендуется сохранять модель оригинальным способом TensorFlow.
# Сохранение весов, таким образом сохраняются только тензоры весов
model.save_weights('../data/tf_model_weights.ckpt',save_format = "tf")
# Сохранение структуры модели и параметров в файл, что позволяет развёртывать модель на разных платформах
model.save('../data/tf_model_savedmodel', save_format="tf")
print('экспорт сохранённой модели.')
model_loaded = tf.keras.models.load_model('../data/tf_model_savedmodel')
model_loaded.evaluate(ds_test)
[0.16139124035835267, 0.9345]
Пожалуйста, оставляйте комментарии в официальном аккаунте WeChat «Python с алгоритмами» (Elegance of Python and Algorithms), если хотите пообщаться с автором о содержании. Автор постарается ответить, учитывая ограниченное время.
Вы также можете присоединиться к групповому чату с другими читателями, ответив 加群 (join group) в официальном аккаунте WeChat.
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )