- 本文为🔗365天深度学习训练营 中的学习记录博客
- 参考文章地址： 🔗深度学习100例-卷积神经网络（CNN）天气识别 | 第5天
一、环境配置
python3.6.13，TensorFlow2.4.0-gpu，cuda 11.0，cudnn8.0.5
二、前期准备
1.设置GPU
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")
2.导入数据
import os,PIL,pathlib
import matplotlib.pyplot as plt
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers,models
data_dir = "D:/jupyter notebook/DL-100-days/datasets/weather_photos/" #数据路径
data_dir = pathlib.Path(data_dir)
3.查看数据
数据集一共分为cloudy、rain、shine、sunrise四类，分别存放于weather_photos文件夹中以各自名字命名的子文件夹中。
image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为：",image_count)
"""
图片总数为： 1125
"""
三、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 = 180
img_width = 180
"""
training数据
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir, # 数据所在目录。如果标签是inferred（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。
validation_split=0.2, # 0和1之间的可选浮点数，可保留一部分数据用于验证。
subset="training", # training或validation之一。仅在设置validation_split时使用。
seed=123, # 用于shuffle和转换的可选随机种子。
image_size=(img_height, img_width), # 从磁盘读取数据后将其重新调整大小。默认：（256，256）。由于管道处理的图像批次必须具有相同的大小，因此该参数必须提供。
batch_size=batch_size) # 数据批次的大小。默认值：32
"""
validation数据
"""
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)
"""
Found 1125 files belonging to 4 classes. 1125个图片属于4个分类
Using 225 files for validation. 用225张作为验证集
"""
class_names = train_ds.class_names
print(class_names)
"""
打印类别名称
['cloudy', 'rain', 'shine', 'sunrise']
"""
2.可视化数据
for images, labels in train_ds.take(1):
for i in range(20):
ax = plt.subplot(2, 10, i + 1)
plt.imshow(images[i].numpy().astype("uint8"))
plt.title(class_names[labels[i]])
plt.axis("off") # 关闭坐标轴
plt.show()
myplot.png
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, 180, 180, 3)
(32,)
"""
4.配置数据集
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
- shuffle()：打乱数据
- 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：
未使用prefetch.png
使用prefetch()可显著减少空闲时间：
使用prefetch.png
- cache()：将数据集缓存到内存当中，加速运行
四、构建CNN网络模型
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，fashion_mnist 数据集中的图片，形状是 (28, 28, 1)即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape。
"""
layers.Dropout(0.3) 作用是防止过拟合，提高模型的泛化能力。
在上一篇文章花朵识别中，训练准确率与验证准确率相差巨大就是由于模型过拟合导致的
"""
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.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, 180, 180, 3) 0
_________________________________________________________________
conv2d (Conv2D) (None, 178, 178, 16) 448
_________________________________________________________________
average_pooling2d (AveragePo (None, 89, 89, 16) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 87, 87, 32) 4640
_________________________________________________________________
average_pooling2d_1 (Average (None, 43, 43, 32) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 41, 41, 64) 18496
_________________________________________________________________
dropout (Dropout) (None, 41, 41, 64) 0
_________________________________________________________________
flatten (Flatten) (None, 107584) 0
_________________________________________________________________
dense (Dense) (None, 128) 13770880
_________________________________________________________________
dense_1 (Dense) (None, 4) 516
=================================================================
Total params: 13,794,980
Trainable params: 13,794,980
Non-trainable params: 0
_________________________________________________________________
五、编译模型
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。
# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=opt,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
六、训练模型
epochs = 10 # 10个批次
history = model.fit(
train_ds,
validation_data=val_ds,
epochs=epochs
)
"""
训练了10个epoch 最后精度达到0.8844
"""
Epoch 1/10
29/29 [==============================] - 9s 65ms/step - loss: 1.9558 - accuracy: 0.5181 - val_loss: 0.6152 - val_accuracy: 0.7333
Epoch 2/10
29/29 [==============================] - 0s 15ms/step - loss: 0.5536 - accuracy: 0.7833 - val_loss: 0.5670 - val_accuracy: 0.7422
Epoch 3/10
29/29 [==============================] - 0s 15ms/step - loss: 0.4033 - accuracy: 0.8678 - val_loss: 0.6584 - val_accuracy: 0.7600
Epoch 4/10
29/29 [==============================] - 0s 15ms/step - loss: 0.2977 - accuracy: 0.8802 - val_loss: 0.6118 - val_accuracy: 0.7911
Epoch 5/10
29/29 [==============================] - 0s 15ms/step - loss: 0.2101 - accuracy: 0.9064 - val_loss: 0.3968 - val_accuracy: 0.8711
Epoch 6/10
29/29 [==============================] - 0s 15ms/step - loss: 0.1321 - accuracy: 0.9562 - val_loss: 0.4799 - val_accuracy: 0.8222
Epoch 7/10
29/29 [==============================] - 0s 15ms/step - loss: 0.1543 - accuracy: 0.9524 - val_loss: 0.5195 - val_accuracy: 0.8400
Epoch 8/10
29/29 [==============================] - 0s 15ms/step - loss: 0.1011 - accuracy: 0.9598 - val_loss: 0.5621 - val_accuracy: 0.8400
Epoch 9/10
29/29 [==============================] - 0s 15ms/step - loss: 0.0695 - accuracy: 0.9818 - val_loss: 0.4733 - val_accuracy: 0.8711
Epoch 10/10
29/29 [==============================] - 0s 15ms/step - loss: 0.0639 - accuracy: 0.9797 - val_loss: 0.5442 - val_accuracy: 0.8844
七、模型评估
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()
Accuracy.png
八、总结
本次学习内容为天气识别，与之前不同的是需要导入数据集，学习到了如何导入数据集，以及将磁盘中的数据如何加载到tf.data.Dataset中，学习了image_dataset_from_directory()的使用以及参数的一些说明。加载完数据集以后，配置过程中学习了shuffle()函数的使用，预取数据方法prefetch()和缓存数据cache()。
