1、准备数据
cifar2数据集为cifar10数据集的子集，只包括前两种类别airplane和automobile。
训练集有airplane和automobile图片各5000张，测试集有airplane和automobile图片各1000张。
cifar2任务的目标是训练一个模型来对飞机airplane和机动车automobile两种图片进行分类。
我们准备的Cifar2数据集的文件结构如下所示。
在tensorflow中准备图片数据的常用方案有两种，第一种是使用tf.keras中的ImageDataGenerator工具构建图片数据生成器。
第二种是使用tf.data.Dataset搭配tf.image中的一些图片处理方法构建数据管道。
第一种方法更为简单，其使用范例可以参考以下文章。
https://zhuanlan.zhihu.com/p/67466552
第二种方法是TensorFlow的原生方法，更加灵活，使用得当的话也可以获得更好的性能。
我们此处介绍第二种方法。
import tensorflow as tf from tensorflow.keras datasets,layers,models BATCH_SIZE = 100 def load_image(img_path,size = (32,32)): label = tf.constant(1,tf.int8) if tf.strings.regex_full_match(img_path,".*/automobile/.*") \ else tf.constant(0,tf.int8) img = tf.io.read_file(img_path) img = tf.image.decode_jpeg(img) #注意此处为jpeg格式 img = tf.image.resize(img,size)/255.0 return(img,label) 使用并行化预处理num_parallel_calls 和预存数据prefetch来提升性能 ds_train = tf.data.Dataset.list_files(./data/cifar2/train/*/*.jpg) \ .map(load_image,num_parallel_calls=tf.data.experimental.AUTOTUNE) \ .shuffle(buffer_size = 1000).batch(BATCH_SIZE) \ .prefetch(tf.data.experimental.AUTOTUNE) ds_test = tf.data.Dataset.list_files(./data/cifar2/test/*/*.jpgtf.data.experimental.AUTOTUNE) \ .batch(BATCH_SIZE) \ .prefetch(tf.data.experimental.AUTOTUNE)
for x,y in ds_train.take(1): print(x.shape,y.shape)
(100,32,3) (100,)
2、定义模型
使用Keras接口有以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。
此处选择使用函数式API构建模型。
tf.keras.backend.clear_session() 清空会话 inputs = layers.Input(shape=(32,3)) x = layers.Conv2D(32,kernel_size=(3,1)">))(inputs) x = layers.MaxPool2D()(x) x = layers.Conv2D(64,kernel_size=(5,5))(x) x = layers.MaxPool2D()(x) x = layers.Dropout(rate=0.1)(x) x = layers.Flatten()(x) x = layers.Dense(32,activation='relu')(x) outputs = layers.Dense(1,activation = sigmoid)(x) model = models.Model(inputs = inputs,outputs = outputs) model.summary()
3、训练模型
训练模型通常有3种方法，内置fit方法，内置train_on_batch方法，以及自定义训练循环。此处我们选择最常用也最简单的内置fit方法。
datetime logdir = ./data/keras_model/" + datetime.datetime.now().strftime(%Y%m%d-%H%M%S) tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir,histogram_freq=1) model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),loss=tf.keras.losses.binary_crossentropy,metrics=[accuracy] ) history = model.fit(ds_train,epochs= 10,validation_data=ds_test,callbacks = [tensorboard_callback],workers = 4)
Epoch 1/10 100/100 [==============================] - 2205s 22s/step - loss: 0.4632 - accuracy: 0.7786 - val_loss: 0.3375 - val_accuracy: 0.8620 Epoch 2/10 100/100 [==============================] - 11s 110ms/step - loss: 0.3346 - accuracy: 0.8565 - val_loss: 0.2617 - val_accuracy: 0.8965 Epoch 3/10 100/100 [==============================] - 11s 111ms/step - loss: 0.2687 - accuracy: 0.8883 - val_loss: 0.2183 - val_accuracy: 0.9165 Epoch 4/10 100/100 [==============================] - 11s 110ms/step - loss: 0.2171 - accuracy: 0.9128 - val_loss: 0.1811 - val_accuracy: 0.9280 Epoch 5/10 100/100 [==============================] - 11s 114ms/step - loss: 0.1860 - accuracy: 0.9268 - val_loss: 0.1798 - val_accuracy: 0.9265 Epoch 6/10 100/100 [==============================] - 11s 112ms/step - loss: 0.1646 - accuracy: 0.9358 - val_loss: 0.1818 - val_accuracy: 0.9260 Epoch 7/10 100/100 [==============================] - 11s 113ms/step - loss: 0.1443 - accuracy: 0.9426 - val_loss: 0.1740 - val_accuracy: 0.9290 Epoch 8/10 100/100 [==============================] - 11s 113ms/step - loss: 0.1301 - accuracy: 0.9469 - val_loss: 0.1635 - val_accuracy: 0.9325 Epoch 9/10 100/100 [==============================] - 11s 112ms/step - loss: 0.1096 - accuracy: 0.9585 - val_loss: 0.1758 - val_accuracy: 0.9315 Epoch 10/10 100/100 [==============================] - 11s 113ms/step - loss: 0.0961 - accuracy: 0.9628 - val_loss: 0.1595 - val_accuracy: 0.9415
4、评估模型
%load_ext tensorboard # %tensorboard --logdir ./data/keras_model from tensorboard notebook notebook.list() 在tensorboard中查看模型 notebook.start(--logdir ./data/keras_model")
或者我们自己绘图：首先我们构造数据
pandas as pd dfhistory = pd.DataFrame(history.history) dfhistory.index = range(1,len(dfhistory) + 1) dfhistory.index.name = epoch dfhistory
然后绘制：
%matplotlib inline %config InlineBackend.figure_format = svg' matplotlib.pyplot as plt def plot_metric(history,metric): train_metrics = history.history[metric] val_metrics = history.history[val_'+metric] epochs = range(1,len(train_metrics) + 1) plt.plot(epochs,train_metrics,bo--ro-) plt.title(Training and validation metric) plt.xlabel(Epochs) plt.ylabel(metric) plt.legend([train_"+metric,1)">metric]) plt.show() plot_metric(history,1)">loss) plot_metric(history,1)">")
评估模型：
可以使用evaluate对数据进行评估 val_loss,val_accuracy = model.evaluate(ds_test,workers=4) print(val_loss,val_accuracy)
20/20 [==============================] - 2s 80ms/step - loss: 0.1595 - accuracy: 0.9415
0.15954092144966125 0.9415000081062317
5、使用模型
可以使用model.predict(ds_test)进行预测。
也可以使用model.predict_on_batch(x_test)对一个批量进行预测。
model.predict(ds_test)
array([[1.1052408e-01],[3.4282297e-022.7544077e-039.9993896e-01]],dtype=float32)
in ds_test.take(1print(model.predict_on_batch(x[0:20]))
[[9.8728174e-01] [2.0267103e-02] [9.0806475e-03] [9.9996555e-01] [4.5376007e-02] [1.2818890e-03] [1.8698535e-03] [2.2900696e-03] [8.6169255e-01] [6.2768459e-06] [1.2383183e-02] [4.3949869e-02] [7.9778886e-01] [9.9822074e-01] [9.9993134e-01] [8.6685091e-02] [3.7480664e-02] [9.9652690e-01] [9.2210865e-01] [1.6160560e-03]]
6、保存模型
推荐使用TensorFlow原生方式保存模型。
保存权重，该方式仅仅保存权重张量 model.save_weights(./data/tf_model_weights.ckpt',save_format = tf 保存模型结构与模型参数到文件,该方式保存的模型具有跨平台性便于部署 model.save(./data/tf_model_savedmodelprint(export saved model.) model_loaded = tf.keras.models.load_model() model_loaded.evaluate(ds_test)
参考：
开源电子书地址：https://lyhue1991.github.io/eat_tensorflow2_in_30_days/
GitHub 项目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。