商城网站解决方案,做网站需要向客户了解什么,营销型网站建设与推广,经营虚拟网站策划书目录 一、卷积分类器#xff08;The Convolutional Classifer#xff09;训练分类器 二、【代码示例】汽车卡车图片分类器步骤1. 导入数据步骤2 - 定义预训练模型步骤3 - 连接头部步骤4 - 训练模型 一、卷积分类器#xff08;The Convolutional Classifer#xff09;
卷积… 目录 一、卷积分类器The Convolutional Classifer训练分类器 二、【代码示例】汽车卡车图片分类器步骤1. 导入数据步骤2 - 定义预训练模型步骤3 - 连接头部步骤4 - 训练模型 一、卷积分类器The Convolutional Classifer
卷积神经网络卷积网络、CNN是在图像分类任务上表现最好的图像分类器。
用于图像分类的卷积神经网络由两部分组成卷积基础convolutional base和稠密头部dense head
卷积基础用于从图像中提取特征。它主要由执行卷积操作的层组成但通常还包括其他类型的层。头部用于确定图像的类别。它主要由稠密层组成但也可能包括其他层如dropout层。
什么是视觉特征特征可以是线条、颜色、纹理、形状、模式或者一些复杂的组合。整个过程大致如下 实际提取的特征看起来可能略有不同但这基本思想一致。
训练分类器
在训练过程中神经网络的目标是学会两件事情
从图像中提取哪些特征基础部分哪些特征对应于哪些类别头部部分。
如今卷积神经网络很少从零开始训练。更常见的做法是使用预训练模型的基础部分然后连接一个未训练的头部。换句话说我们是基于一个预先训练好、并且已经学会特征提取的神经网络模型在其上面增加一些全新的层再次训练学习分类。 由于头部通常只包含少量的稠密层所以即使有相对较少的数据也可以创建出非常准确的分类器。
重用预训练模型是一种被称为迁移学习的技术。它非常有效以至于如今几乎每个图像分类器都会使用这种技术。
二、【代码示例】汽车卡车图片分类器
我们的数据集包含约一万张各种汽车的图片大约一半是汽车一半是卡车。
步骤1. 导入数据
# 导入所需库
import os, warnings
import matplotlib.pyplot as plt
from matplotlib import gridspecimport numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing import image_dataset_from_directory# 设置随机种子以保证可复现性
def set_seed(seed31415):np.random.seed(seed)tf.random.set_seed(seed)os.environ[PYTHONHASHSEED] str(seed)os.environ[TF_DETERMINISTIC_OPS] 1
set_seed(31415)# 设置 Matplotlib 默认参数
plt.rc(figure, autolayoutTrue)
plt.rc(axes, labelweightbold, labelsizelarge,titleweightbold, titlesize18, titlepad10)
plt.rc(image, cmapmagma)
warnings.filterwarnings(ignore) # 以清理输出单元格中的警告信息# 加载训练集和验证集
ds_train_ image_dataset_from_directory(../input/car-or-truck/train,labelsinferred,label_modebinary,image_size[128, 128],interpolationnearest,batch_size64,shuffleTrue,
)
ds_valid_ image_dataset_from_directory(../input/car-or-truck/valid,labelsinferred,label_modebinary,image_size[128, 128],interpolationnearest,batch_size64,shuffleFalse,
)# 数据处理流程
def convert_to_float(image, label):image tf.image.convert_image_dtype(image, dtypetf.float32)return image, labelAUTOTUNE tf.data.experimental.AUTOTUNE
ds_train (ds_train_.map(convert_to_float).cache().prefetch(buffer_sizeAUTOTUNE)
)
ds_valid (ds_valid_.map(convert_to_float).cache().prefetch(buffer_sizeAUTOTUNE)
)
步骤2 - 定义预训练模型
最常用于预训练的数据集是 ImageNet这是一个包含许多自然图像的大型数据集。Keras 在其 applications 模块 中包含了多种在 ImageNet 上预训练过的模型。我们将使用的预训练模型是 VGG16。
pretrained_base tf.keras.models.load_model(../input/cv-course-models/cv-course-models/vgg16-pretrained-base,
)
pretrained_base.trainable False以上代码加载了预训练的VGG16模型并将其设置为不可训练trainable False。这是迁移学习中常用的做法通过重用已经在大规模数据集上训练过的模型可以提取出图像的有用特征从而在少量数据上构建准确的分类器。
步骤3 - 连接头部
接下来我们要连接分类器的头部部分。在这个示例中我们将使用一层隐藏单元第一个 Dense 层然后是一层将输出转换为类别1Truck的概率分数的层。Flatten 层将基础部分的二维输出转换为头部所需的一维输入。
from tensorflow import keras
from tensorflow.keras import layersmodel keras.Sequential([pretrained_base, # 加载的VGG16模型用于从图像中提取特征。layers.Flatten(), # 将提取的特征展平以便送入后续的全连接层。layers.Dense(6, activationrelu), # 6个神经元的隐藏层使用ReLU激活函数。layers.Dense(1, activationsigmoid), # 输出层包含一个神经元使用Sigmoid激活函数。
])步骤4 - 训练模型
由于这是一个两类问题我们将使用二进制版本的 crossentropy 和 accuracy 作为损失函数和评估指标。通常情况下adam 优化器表现较好所以我们也选择了它。
model.compile(optimizeradam,lossbinary_crossentropy,metrics[binary_accuracy],
)history model.fit(ds_train,validation_datads_valid,epochs30,verbose0,
)在训练神经网络时检查损失和指标的图表始终是一个好的做法。history 对象包含了这些信息可以通过 history.history 字典来获取。我们可以使用 Pandas 将这个字典转换为数据框并使用内置方法进行绘制。
import pandas as pdhistory_frame pd.DataFrame(history.history)
history_frame.loc[:, [loss, val_loss]].plot()
history_frame.loc[:, [binary_accuracy, val_binary_accuracy]].plot();结果输出
