【tensorflow2.0】处理图片数据-cifar2分类
1、准备数据 cifar2数据集为cifar10数据集的子集,只包括前两种类别airplane和automobile。 训练集有airplane和automobile图片各5000张,测试集有airplane和automobile图片各1000张。 cifar2任务的目标是训练一个模型来对飞机airplane和机动车automobile两种图片进行分类。 我们准备的Cifar2数据集的文件结构如下所示。 在tensorflow中准备图片数据的常用方案有两种,第一种是使用tf.keras中的ImageDataGenerator工具构建图片数据生成器。 第二种是使用tf.data.Dataset搭配tf.image中的一些图片处理方法构建数据管道。 第一种方法更为简单,其使用范例可以参考以下文章。 https://zhuanlan.zhihu.com/p/67466552 第二种方法是TensorFlow的原生方法,更加灵活,使用得当的话也可以获得更好的性能。 我们此处介绍第二种方法。 import tensorflow as tf from tensorflow.keras 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) #注意此处为jpeg格式 img = tf.image.resize(img,size)/255.0 return(img,label) 使用并行化预处理num_parallel_calls 和预存数据prefetch来提升性能 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/*/*.jpgtf.data.experimental.AUTOTUNE) .batch(BATCH_SIZE) .prefetch(tf.data.experimental.AUTOTUNE) for x,y in ds_train.take(1): print(x.shape,y.shape) (100,32,3) (100,)? 2、定义模型 使用Keras接口有以下3种方式构建模型:使用Sequential按层顺序构建模型,使用函数式API构建任意结构模型,继承Model基类构建自定义模型。 此处选择使用函数式API构建模型。 tf.keras.backend.clear_session() 清空会话 inputs = layers.Input(shape=(32,3)) x = layers.Conv2D(32,kernel_size=(3,1)">))(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() 3、训练模型 训练模型通常有3种方法,内置fit方法,内置train_on_batch方法,以及自定义训练循环。此处我们选择最常用也最简单的内置fit方法。? datetime logdir = ./data/keras_model/" + datetime.datetime.now().strftime(%Y%m%d-%H%M%S) 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) Epoch 1/10 100/100 [==============================] - 2205s 22s/step - loss: 0.4632 - accuracy: 0.7786 - val_loss: 0.3375 - val_accuracy: 0.8620 Epoch 2/10 100/100 [==============================] - 11s 110ms/step - loss: 0.3346 - accuracy: 0.8565 - val_loss: 0.2617 - val_accuracy: 0.8965 Epoch 3/10 100/100 [==============================] - 11s 111ms/step - loss: 0.2687 - accuracy: 0.8883 - val_loss: 0.2183 - val_accuracy: 0.9165 Epoch 4/10 100/100 [==============================] - 11s 110ms/step - loss: 0.2171 - accuracy: 0.9128 - val_loss: 0.1811 - val_accuracy: 0.9280 Epoch 5/10 100/100 [==============================] - 11s 114ms/step - loss: 0.1860 - accuracy: 0.9268 - val_loss: 0.1798 - val_accuracy: 0.9265 Epoch 6/10 100/100 [==============================] - 11s 112ms/step - loss: 0.1646 - accuracy: 0.9358 - val_loss: 0.1818 - val_accuracy: 0.9260 Epoch 7/10 100/100 [==============================] - 11s 113ms/step - loss: 0.1443 - accuracy: 0.9426 - val_loss: 0.1740 - val_accuracy: 0.9290 Epoch 8/10 100/100 [==============================] - 11s 113ms/step - loss: 0.1301 - accuracy: 0.9469 - val_loss: 0.1635 - val_accuracy: 0.9325 Epoch 9/10 100/100 [==============================] - 11s 112ms/step - loss: 0.1096 - accuracy: 0.9585 - val_loss: 0.1758 - val_accuracy: 0.9315 Epoch 10/10 100/100 [==============================] - 11s 113ms/step - loss: 0.0961 - accuracy: 0.9628 - val_loss: 0.1595 - val_accuracy: 0.9415 4、评估模型 %load_ext tensorboard # %tensorboard --logdir ./data/keras_model from tensorboard notebook notebook.list() 在tensorboard中查看模型 notebook.start(--logdir ./data/keras_model") 或者我们自己绘图:首先我们构造数据 pandas as pd dfhistory = pd.DataFrame(history.history) dfhistory.index = range(1,len(dfhistory) + 1) dfhistory.index.name = epoch dfhistory 然后绘制: %matplotlib inline %config InlineBackend.figure_format = svg' matplotlib.pyplot as plt def plot_metric(history,metric): train_metrics = history.history[metric] val_metrics = history.history[val_'+metric] epochs = range(1,len(train_metrics) + 1) plt.plot(epochs,train_metrics,bo--ro-) plt.title(Training and validation metric) plt.xlabel(Epochs) plt.ylabel(metric) plt.legend([train_"+metric,1)">metric]) plt.show() plot_metric(history,1)">loss) plot_metric(history,1)">") 评估模型: 可以使用evaluate对数据进行评估 val_loss,val_accuracy = model.evaluate(ds_test,workers=4) print(val_loss,val_accuracy) 20/20 [==============================] - 2s 80ms/step - loss: 0.1595 - accuracy: 0.9415 0.15954092144966125 0.9415000081062317 5、使用模型 可以使用model.predict(ds_test)进行预测。 也可以使用model.predict_on_batch(x_test)对一个批量进行预测。 model.predict(ds_test) array([[1.1052408e-01],[3.4282297e-022.7544077e-039.9993896e-01]],dtype=float32) in ds_test.take(1print(model.predict_on_batch(x[0:20])) [[9.8728174e-01] [2.0267103e-02] [9.0806475e-03] [9.9996555e-01] [4.5376007e-02] [1.2818890e-03] [1.8698535e-03] [2.2900696e-03] [8.6169255e-01] [6.2768459e-06] [1.2383183e-02] [4.3949869e-02] [7.9778886e-01] [9.9822074e-01] [9.9993134e-01] [8.6685091e-02] [3.7480664e-02] [9.9652690e-01] [9.2210865e-01] [1.6160560e-03]] 6、保存模型 推荐使用TensorFlow原生方式保存模型。 保存权重,该方式仅仅保存权重张量 model.save_weights(./data/tf_model_weights.ckpt',save_format = tf 保存模型结构与模型参数到文件,该方式保存的模型具有跨平台性便于部署 model.save(./data/tf_model_savedmodelprint(export saved model.) model_loaded = tf.keras.models.load_model() model_loaded.evaluate(ds_test) 参考: 开源电子书地址:https://lyhue1991.github.io/eat_tensorflow2_in_30_days/ GitHub 项目地址:https://github.com/lyhue1991/eat_tensorflow2_in_30_days (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |