python之tensorflow手把手實例講解貓狗識別實現
作為tensorflow初學的大三學生,本次課程作業的使用貓狗數據集做一個二分類模型。
一,貓狗數據集數目構成
train | cats:1000 ,dogs:1000 |
---|---|
test | cats: 500,dogs:500 |
validation | cats:500,dogs:500 |
二,數據導入
train_dir = 'Data/train' test_dir = 'Data/test' validation_dir = 'Data/validation' train_datagen = ImageDataGenerator(rescale=1/255, rotation_range=10, width_shift_range=0.2, #圖片水平偏移的角度 height_shift_range=0.2, #圖片數值偏移的角度 shear_range=0.2, #剪切強度 zoom_range=0.2, #隨機縮放的幅度 horizontal_flip=True, #是否進行隨機水平翻轉 # fill_mode='nearest' ) train_generator = train_datagen.flow_from_directory(train_dir, (224,224),batch_size=1,class_mode='binary',shuffle=False) test_datagen = ImageDataGenerator(rescale=1/255) test_generator = test_datagen.flow_from_directory(test_dir, (224,224),batch_size=1,class_mode='binary',shuffle=True) validation_datagen = ImageDataGenerator(rescale=1/255) validation_generator = validation_datagen.flow_from_directory( validation_dir,(224,224),batch_size=1,class_mode='binary') print(train_datagen) print(test_datagen) print(train_datagen)
三,數據集構建
我這裡是將ImageDataGenerator類裡的數據提取出來,將數據與標簽分別存放在兩個列表,後面在轉為np.array,也可以使用model.fit_generator,我將數據放在內存為瞭後續調參數時模型訓練能更快讀取到數據,不用每次訓練一整輪都去讀一次數據(應該是這樣的…我是這樣理解…)
註意我這裡的數據集構建後,三種數據都是存放在內存中的,我電腦內存是16g的可以存放下。
train_data=[] train_labels=[] a=0 for data_train, labels_train in train_generator: train_data.append(data_train) train_labels.append(labels_train) a=a+1 if a>1999: break x_train=np.array(train_data) y_train=np.array(train_labels) x_train=x_train.reshape(2000,224,224,3)
test_data=[] test_labels=[] a=0 for data_test, labels_test in test_generator: test_data.append(data_test) test_labels.append(labels_test) a=a+1 if a>999: break x_test=np.array(test_data) y_test=np.array(test_labels) x_test=x_test.reshape(1000,224,224,3)
validation_data=[] validation_labels=[] a=0 for data_validation, labels_validation in validation_generator: validation_data.append(data_validation) validation_labels.append(labels_validation) a=a+1 if a>999: break x_validation=np.array(validation_data) y_validation=np.array(validation_labels) x_validation=x_validation.reshape(1000,224,224,3)
四,模型搭建
model1 = tf.keras.models.Sequential([ # 第一層卷積,卷積核為,共16個,輸入為150*150*1 tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same',input_shape=(224,224,3)), tf.keras.layers.MaxPooling2D((2,2)), # 第二層卷積,卷積核為3*3,共32個, tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same'), tf.keras.layers.MaxPooling2D((2,2)), # 第三層卷積,卷積核為3*3,共64個, tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same'), tf.keras.layers.MaxPooling2D((2,2)), # 數據鋪平 tf.keras.layers.Flatten(), tf.keras.layers.Dense(64,activation='relu'), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(1,activation='sigmoid') ]) print(model1.summary())
模型summary:
五,模型訓練
model1.compile(optimize=tf.keras.optimizers.SGD(0.00001), loss=tf.keras.losses.binary_crossentropy, metrics=['acc']) history1=model1.fit(x_train,y_train, # validation_split=(0~1) 選擇一定的比例用於驗證集,可被validation_data覆蓋 validation_data=(x_validation,y_validation), batch_size=10, shuffle=True, epochs=10) model1.save('cats_and_dogs_plain1.h5') print(history1)
plt.plot(history1.epoch,history1.history.get('acc'),label='acc') plt.plot(history1.epoch,history1.history.get('val_acc'),label='val_acc') plt.title('正確率') plt.legend()
可以看到我們的模型泛化能力還是有點差,測試集的acc能達到0.85以上,驗證集卻在0.65~0.70之前跳動。
六,模型測試
model1.evaluate(x_validation,y_validation)
最後我們的模型在測試集上的正確率為0.67,可以說還不夠好,有點過擬合,可能是訓練數據不夠多,後續可以數據增廣或者從驗證集、測試集中調取一部分數據用於訓練模型,可能效果好一些。
到此這篇關於python之tensorflow手把手實例講解貓狗識別實現的文章就介紹到這瞭,更多相關python tensorflow 貓狗識別內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python之tensorflow手把手實例講解斑馬線識別實現
- python生成器generator:深度學習讀取batch圖片的操作
- Python人臉識別之微笑檢測
- Python實戰之MNIST手寫數字識別詳解
- tensorflow2.0實現復雜神經網絡(多輸入多輸出nn,Resnet)