神经网络搭建六步法扩展

1.自制数据集，应对特定应用

之前我们使用“MNIST数据集”，可以直接导入使用“tf.keras.datasets.mnist.load_data()”，并非所有的数据都有制作玩呗可以直接导入的数据集，因此我么你需要学会自己制作数据集。

以“MNIST”中的数据为例，我们给出：

60000张训练图片、训练图片的“图片名字数字”形式的txt文件、10000张测试数据、测试图片的“图片名字数字”形式的txt文件

代码实现

训练数据和测试数据的制作步骤是一样的，因此我们可以写一个函数来处理。

def generateds(path, txt):######return x, y_

对于制作流程，我们的思路是;

读取出txt文件中的内容（contents）
用x和y_两个list存放特征数据和标签
遍历每一行的内容
对每一行，根据图片名字和图片文件夹路径读入图片，转换成合适的数据结构，放入x中；将标签放入y_中
返回x, y_

def generateds(path, txt):f = open(txt, 'r')contents = f.readlines()f.close() # 记得关闭文件哦x, y_ = [], []for content in contents:value = content.split() # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表img_path = path + value[0] # 图片完整路径img = Image.open(img_path) # 读入图片img = np.array(img.convert('L'))  # 图片变为8位宽灰度值的np.array格式img = img / 255.  # 归一化x.append(img)y_.append(value[1])print('loading : ' + content)x = np.array(x)  # 变为np.array格式y_ = np.array(y_)  # 变为np.array格式y_ = y_.astype(np.int64)  # 变为64位整型return x, y_  # 返回输入特征x，返回标签y_

我们可以把上面制作数据集的代码和“六步法”的代码何在一起，先检查是否存在数据集，如果存在直接load，如果不存在，先制作，然后把数据集存储到磁盘以备之后使用。（制作数据集非常耗时间）

import tensorflow as tf
from PIL import Image
import numpy as np
import ostrain_path = './mnist_image_label/mnist_train_jpg_60000/'
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'
x_train_savepath = './mnist_image_label/mnist_x_train.npy'
y_train_savepath = './mnist_image_label/mnist_y_train.npy'test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'def generateds(path, txt):f = open(txt, 'r')contents = f.readlines()f.close()x, y_ = [], [for content in contents:value = content.split(img_path = path + value[0]img = Image.open(img_path)img = np.array(img.convert('L'))img = img / 255.  x.append(img) y_.append(value[1]) print('loading : ' + content) x = np.array(x) y_ = np.array(y_) y_ = y_.astype(np.int64) return x, y_  # 返回输入特征x，返回标签y_# 如果数据集存在就直接使用，如果不存在就 先生成 再存储
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(x_test_savepath) and os.path.exists(y_test_savepath):print('-------------Load Datasets-----------------')x_train_save = np.load(x_train_savepath)y_train = np.load(y_train_savepath)x_test_save = np.load(x_test_savepath)y_test = np.load(y_test_savepath)x_train = np.reshape(x_train_save, (len(x_train_save), 28, 28))x_test = np.reshape(x_test_save, (len(x_test_save), 28, 28))
else:print('-------------Generate Datasets-----------------')x_train, y_train = generateds(train_path, train_txt)x_test, y_test = generateds(test_path, test_txt)print('-------------Save Datasets-----------------')x_train_save = np.reshape(x_train, (len(x_train), -1))x_test_save = np.reshape(x_test, (len(x_test), -1))np.save(x_train_savepath, x_train_save)np.save(y_train_savepath, y_train)np.save(x_test_savepath, x_test_save)np.save(y_test_savepath, y_test)model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)model.summary()

2.数据增强，增大数据量

有些时候，我们的数据量太小，需要使用数据增强来丰富我们的数据集，数据增强就是把原有的数据做一些变化（如图片的旋转，镜像等）来扩充数据。

步骤：

image_gen_train=tf.keras.preprocessing.image.ImageDataGenerator( 增强方法)

image_gen_train.fit(x_train)

常用增强方法：

缩放系数：rescale=所有数据将乘以提供的值
随机旋转：rotation_range=随机旋转角度数范围
宽度偏移：width_shift_range=随机宽度偏移量
高度偏移：height_shift_range=随机高度偏移量
水平翻转：horizontal_flip=是否水平随机翻转
随机缩放：zoom_range=随机缩放的范围 [1-n，1+n]

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGeneratormnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 1. !!!!!!!!!!!!!!!!!!
# 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)  image_gen_train=ImageDataGenerator(rescale=1./1.,rotation_range=45,width_shift_range=.15,height_shift_range=.15,horizontal_flip=False,zoom_range=0.5
)
image_gen_train.fit(x_train)model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])# 2.！！！！！！！！！！！！！！！！！
model.fit(image_gen_train.flow(x_train,y_train,batch_size=32),epochs=5,validation_data=(x_test,y_test),validation_freq=1)model.summary()

注意：

数据增强函数的输入要求是4维，需要通过reshape调整
model.fit输入训练数据和batch时要是用“image_gen_train.flow(x_train,y_train,batch_size=)”

3.断点续训，存取模型

3.1读取模型

读取模型使用model.load_weights()

checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):print('-------------load the model-----------------')model.load_weights(checkpoint_save_path)

3.2保存模型

借助tensorflow给出的回调函数，直接保存参数和网络

具体用法如下：

#上接“六步法”中的前四部checkpoint_save_path = "./checkpoint/mnist.ckpt"
# 如果模型已经被保存过 导入模型继续训练
if os.path.exists(checkpoint_save_path + '.index'):print('-------------load the model-----------------')model.load_weights(checkpoint_save_path)# 保存模型
cp_callback=tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,save_weights_only=True,save_best_only=True)history=model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test),                                 validation_freq=1,callbacks=[cp_callback])#下面是“六步法”的最后一步

4.参数提取，写至文本

4.1提取可训练参数

model.trainable_variables返回模型中可训练的参数。

4.2设置 print 输出格式

如果数据量太大，print输出时默认会将中间的数据省略，用“省略号”表示。

np.set_printoptions(

precision=小数点后按四舍五入保留几位,

threshold=数组元素数量少于或等于门槛值，打印全部元素；否则打印门槛值+1 个元素，中间用省略号补充

)

把threshold设置为np.inf即可输出全部数据元素。

代码如下，需要关注的地方我用！标注：

import tensorflow as tf
import os
import numpy as np# !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
np.set_printoptions(threshold=np.inf)mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),metrics=['sparse_categorical_accuracy'])checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):print('-------------load the model-----------------')model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,save_weights_only=True,save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,callbacks=[cp_callback])model.summary()# !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
print(model.trainable_variables)
file=open('./weights.txt','w')
for v in model.trainable_variables:file.write(str(v.name)+'\n')file.write(str(v.shape)+'\n')file.write(str(v.numpy())+'\n')
file.close()

weights.txt内容：

5.acc/loss 可视化，查看效果

使用变量history接收model.fit返回值，之后history.history获取acc/loss值。

history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,callbacks=[cp_callback])acc=history.history['sparse_categorical_accuracy'] # 训练数据正确率
val_acc=history.history['val_sparse_categorical_accuracy']  # 测试数据正确率
loss=history.history['loss']  # 训练数据损失值
val_loss=history.history['val_loss']  # 测试数据损失值

# 画图
plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

6、应用程序，给图识物

这里会给神经网络输入一条特征数据（手写数字图），让学习后的神经网络来预测这个数字是多少。

eg.

6.1前向传播执行应用

使用model.predict(输入数据, batch_size=整数)，返回前向传播计算结果。

因为我们这里是使用已经训练好的模型，所以需要：

构建一样的网络结构
加载保存的模型
model.predict(x_predict)进行预测

from PIL import Image
import numpy as np
import tensorflow as tf# 模型保存地址
model_save_path = './checkpoint/mnist.ckpt'# 1. 构建一样的网络结构
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')])# 2.  加载保存的模型
model.load_weights(model_save_path)preNum = int(input("input the number of test pictures:"))for i in range(preNum):image_path = input("the path of test picture:")img = Image.open(image_path)# 预处理 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!# 变为28*28img = img.resize((28, 28), Image.ANTIALIAS)# 变为灰度图img_arr = np.array(img.convert('L'))# 变为黑底白字# 方法一#img_arr = 255-img_arr# 方法二for i in range(28):for j in range(28):if img_arr[i][j] < 200:img_arr[i][j] = 255else:img_arr[i][j] = 0# 归一化img_arr = img_arr / 255.0# 增加一个维度，变为1*28*28 为了和训练时使用的数据的维度一致x_predict = img_arr[tf.newaxis, ...]# 3.  预测result = model.predict(x_predict)# pred是预测认为是0-9各个数字的概率pred = tf.argmax(result, axis=1)print('\n')# pred是张量，需要用tf.printtf.print(pred)

这里需要注意，因为我们训练神经网络时使用的是28*28的灰度图，黑底白字，所以需要把我们这里需要预测的图片（上图）转换为“28*28的灰度图，黑底白字”格式。

其中，变为黑底白字可以使用简单的方法一：img_arr　=　255　-　img_arr

也可以使用复杂的方法二，方法二将所有像素转换为“纯黑0”或“纯白255”，这样做可以降低图片中的噪声带来的影响。