【迁移学习】猫狗数据分类案例(TensorFlow2)
文章目录
- 1 导包
- 2 数据处理
- 3 创建模型,使用VGG16作为预训练模型
- 4 训练模型
1 导包
import tensorflow as tf # 版本2.3
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob # 文件图片路径读取
import os
2 数据处理
共2000张猫狗图片数据集,下载地址:Kaggle dc_2000
# 训练集
train_image_path = glob.glob(r'dc_2000/train/*/*.jpg') # 注意路径修改
np.random.shuffle(train_image_path) # 乱序
# 从train_image_path中 分离出'dog'或'cat',制作0 1标签(cat为1,dog为0)
train_image_label = [int(p.split('/')[2] == 'cat') for p in train_image_path] # 根据路径实际情况修改:p.split('/')[2]def load_preprosess_image(path, label):image = tf.io.read_file(path) # 根据路径读取图片image = tf.image.decode_jpeg(image, channels=3) # 图片编码image = tf.image.resize(image, [256, 256]) # resizeimage = tf.cast(image, tf.float32) # 类型转换image = image/255 # 归一化return image, label
# 创建训练集的Dataset
train_ds = tf.data.Dataset.from_tensor_slices((train_image_path, train_image_label))
AUTOTUNE = tf.data.experimental.AUTOTUNE
train_ds = train_ds.map(load_preprosess_image, num_parallel_calls=AUTOTUNE) # 对每一条数据应用load_preprosess_image方法
# 查看数据中的图片
for img, label in train_ds.take(1):plt.imshow(img)BATCH_SIZE = 8
train_count = len(train_image_path)train_ds = train_ds.shuffle(300).batch(BATCH_SIZE)
train_ds = train_ds.prefetch(AUTOTUNE)# 测试集 方法同上
test_image_path = glob.glob(r'dc_2000/test/*/*.jpg') # 注意路径修改
test_label = [int(p.split('/')[2] == 'cat') for p in test_image_path] # 同上,根据实际路径进行修改
test_ds = tf.data.Dataset.from_tensor_slices((test_image_path, test_label))
test_ds = test_ds.map(load_preprosess_image, num_parallel_calls=AUTOTUNE)
test_ds = test_ds.batch(BATCH_SIZE)test_count = len(test_image_path) # 测试集数量
3 创建模型,使用VGG16作为预训练模型
covn_base = tf.keras.applications.VGG16(weights='imagenet', # 使用了在imagenet中预训练好的权重include_top=False, # 是否包含最后的全连接层input_shape=(256, 256, 3),pooling='avg')
# 如果上面VGG16下载失败,需要手动下载如下:
# vgg16_weights_tf_dim_ordering_tf_kernels.h5
# vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5
# 将其放入系统用户目录下的 .keras/models 文件夹中
covn_base.trainable = False # 设置为不可训练
print(covn_base.summary())
输出:
Model: "vgg16"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_2 (InputLayer) [(None, 256, 256, 3)] 0
_________________________________________________________________
block1_conv1 (Conv2D) (None, 256, 256, 64) 1792
_________________________________________________________________
block1_conv2 (Conv2D) (None, 256, 256, 64) 36928
_________________________________________________________________
block1_pool (MaxPooling2D) (None, 128, 128, 64) 0
_________________________________________________________________
block2_conv1 (Conv2D) (None, 128, 128, 128) 73856
_________________________________________________________________
block2_conv2 (Conv2D) (None, 128, 128, 128) 147584
_________________________________________________________________
block2_pool (MaxPooling2D) (None, 64, 64, 128) 0
_________________________________________________________________
block3_conv1 (Conv2D) (None, 64, 64, 256) 295168
_________________________________________________________________
block3_conv2 (Conv2D) (None, 64, 64, 256) 590080
_________________________________________________________________
block3_conv3 (Conv2D) (None, 64, 64, 256) 590080
_________________________________________________________________
block3_pool (MaxPooling2D) (None, 32, 32, 256) 0
_________________________________________________________________
block4_conv1 (Conv2D) (None, 32, 32, 512) 1180160
_________________________________________________________________
block4_conv2 (Conv2D) (None, 32, 32, 512) 2359808
_________________________________________________________________
block4_conv3 (Conv2D) (None, 32, 32, 512) 2359808
_________________________________________________________________
block4_pool (MaxPooling2D) (None, 16, 16, 512) 0
_________________________________________________________________
block5_conv1 (Conv2D) (None, 16, 16, 512) 2359808
_________________________________________________________________
block5_conv2 (Conv2D) (None, 16, 16, 512) 2359808
_________________________________________________________________
block5_conv3 (Conv2D) (None, 16, 16, 512) 2359808
_________________________________________________________________
block5_pool (MaxPooling2D) (None, 8, 8, 512) 0
_________________________________________________________________
global_average_pooling2d_1 ( (None, 512) 0
=================================================================
Total params: 14,714,688
Trainable params: 0
Non-trainable params: 14,714,688
_________________________________________________________________
model = keras.Sequential()
model.add(covn_base) # 添加VGG16
# 如下为自己的模型
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1)) # 分类输出
4 训练模型
# Adam优化器,二元交叉熵损失
model.compile(optimizer=keras.optimizers.Adam(learning_rate=0.0005),loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),metrics=['acc'])
# 训练15个批次,同时在测试集上验证准确率
history = model.fit(train_ds,steps_per_epoch=train_count//BATCH_SIZE,epochs=15,validation_data=test_ds,validation_steps=test_count//BATCH_SIZE)
# 可视化,查看训练集和测试集上的准确率Acc
print(history.history.keys())
plt.plot(history.epoch, history.history.get('acc'), label='train_acc')
plt.plot(history.epoch, history.history.get('val_acc'), label='val_acc')
plt.legend()
【迁移学习】猫狗数据分类案例(TensorFlow2)相关推荐
- 【学习笔记】pytorch迁移学习-猫狗分类实战
1.迁移学习入门 什么是迁移学习:在深度神经网络算法的引用过程中,如果我们面对的是数据规模较大的问题,那么在搭建好深度神经网络模型后,我们势必要花费大量的算力和时间去训练模型和优化参数,最后耗费了这么 ...
- Tensorflow 学习之猫狗分类案例
Tensorflow 学习之猫狗分类案例 本人一直在Cousera上学习Ng Andrew老师的Tensorflow课程,在本次猫狗分类案例当中,我对课程做了相应的记录,呈现在此,一方面加深学习的印象 ...
- keras_猫狗分类案例(三)_卷机神经网络的可视化(可视化卷积神经网络的中间输出)
keras_猫狗分类案例(三)_卷积神经网络的可视化 参考: https://blog.csdn.net/Einstellung/article/details/82832872 卷积神经网络的可视化 ...
- web python识花_TensorFlow迁移学习识花实战案例
TensorFlow 迁移学习识花实战案例 本文主要介绍如何使用迁移学习训练图片识别花朵的模型,即识别出图片上是何种花朵. 本文档中涉及的演示代码和数据集来源于网络,你可以在这里下载到:TRANSFE ...
- 【美团云】TensorFlow 迁移学习识花实战案例(Transfer Learning)
TensorFlow 迁移学习识花实战案例(Transfer Learning) TensorFlow 迁移学习识花实战案例 什么是迁移学习 为什么要使用迁移学习 识花模型中迁移学习的思路 VGG模型 ...
- 深度学习笔记13_猫狗分类案例 - 从头开始训练一个神经网络
在小型数据集上从头开始训练一个卷积神经网络 小型数据集的模型构建的策略 小型数据集:"很少的"样本可能是几百张图像,也可能是几万张图像. 接下来的示例中,主要用来猫狗分类:4000 ...
- 机器学习工程师 — Udacity 基于CNN和迁移学习创建狗品种分类器
卷积神经网络(Convolutional Neural Network, CNN) 项目:实现一个狗品种识别算法App 推荐你阅读以下材料来加深对 CNN和Transfer Learning的理解: ...
- 机器学习之非监督学习——(猫狗识别案例/搭建卷积神经网络)
监督学习 监督学习的存在它的弊端,例如对我们人类还无法分辨和归类的事物,监督学习就无法完成,所以为了弥补这个缺陷,下面我们看一下新非监督学习,它可以让计算机学会进行更加复杂的分类. 分析过程 监督学习 ...
- 初学Java接口四(猫狗跳高案例)
package JieKou; /* 猫狗案例,加入跳高的额外功能 猫狗案例: 具体事物:猫.狗 共性:姓名,年龄,吃饭 分析:从具体到抽象 猫: 成员变量:姓名,年龄 构造方 ...
最新文章
- Python中的sort()方法使用基础
- mysql 启动出错问题排查
- 基于.NET2.0的System.Net.Mail发送邮件Demo
- ajax deletemapping,springmvc使用put,delete方法传参问题,以及使用@PutMapping注解和@DeleteMapping注解...
- from xx is not a valid DFS filename
- 关于计算机文献检索报告,计算机专业文献检索论文参考选题.doc
- BE-Gradient 微流控芯片用于胶质母细胞瘤的研究
- 【影视系列】《变形金刚5-最后的骑士》
- [200127] Java类初始化与实例初始化 - Thinking in Java学习日志
- java地图点线面_点线面类型互转
- 英特尔的Linux Xe内核图形驱动程序
- Pandas库的学习
- 第三方 Masonry约束的使用
- 如何求卡方分布的P值
- html做成绩查询,一个简单的成绩查询系统
- 工信部计算机二级证书有什么用,公务员考试,这三个证书用处大,持证年薪10W+...
- 国内外12个免费域名解析服务网站推荐
- 华为ensp的OSPF 基本配置
- 日语零基础入门,教你一些实用的学习方法
- 【无标题】特种作战“头盔式”单兵图传系统
热门文章
- ERROR: Timeout after 10 minutes ERROR: Error fetching remote repo 'origin'
- B站韩顺平java学习笔记(六)--面向对象编程章节
- 两种方式实现Kepware与PLC之间的心跳检测
- iPhone5S等A7设备 任意版本降级iOS10.3.3教程(方法一)
- sscom5.13.1版本
- 结构体之引用结构体成员变量
- 动手搭手脚架(一):后台管理系统(springcload)的思维导图
- Graph and Chart Study
- 【Numpy】改变数组维数
- HTML5期末大作业:生鲜超市网站设计——生鲜超市网站设计(5页)HTML+CSS+JavaScript 学生DW网页设计作业成品 美食站