猫狗大战——卷积网络架构、训练模型

63 阅读 0 评论 42 点赞

我是靠谱客的博主虚拟小蝴蝶，最近开发中收集的这篇文章主要介绍猫狗大战——卷积网络架构、训练模型，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

在上一章的基础上，我们继续讨论这个问题。

1.导包

import warnings
warnings.filterwarnings('ignore')
import tensorflow as tf
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.preprocessing.image import ImageDataGenerator

2.构建网络

model=tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32,(3,3),activation='relu',input_shape=(64,64,3)),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64,(3,3),activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128,(3,3),activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    #由于卷积后我们得到的是立体特征图，所以我们需要将它拉长再输入全连接层
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512,activation='relu'),
    #二分类用sigmoid
    tf.keras.layers.Dense(1,activation='sigmoid')
])

补充说明:

3.model.summary()

我们知道卷积网络的参数都是共享的。那我们算一下896 是怎么来的？

我们知道我们的卷积核是3×3的，但是捏卷积核第三个维度的大小跟输入的第三个维度一致。所以权重参数为3×3×3=27，然而每个卷积核都有27个权重参数，所以32个的32×27+32（偏置）=896.

另一个发现池化层：没有权重参数。

3.配置训练器

model.compile(loss='binary_crossentropy',
              optimizer=Adam(lr=1e-4),
              metrics=['acc'])

4.数据预处理图像数据归一化（0-1）区间

train_datagen=ImageDataGenerator(rescale=1./255)
test_datagen=ImageDataGenerator(rescale=1./255)

5.使用ImageDataGenerator从目录中读取图像

train_generator=train_datagen.flow_from_directory(
        train_dir,
        target_size=(64,64),#要和前面输入大小保持一致
        batch_size=80,
        class_mode='binary')
validation_generator=test_datagen.flow_from_directory(
        validation_dir,
        target_size=(64,64),
        batch_size=50,
        class_mode='binary'
)

结果如下：

6.训练网络模型：

1.直接fit也可以，但是通常我们不能把所有数据全部放入内存中，而fit_generator相当与一个生成器，动态产生所需的batch数据。

2.steps_per_epoch相当于给定一个停止条件，因为生成器会不断产生batch数据。

history=model.fit_generator(
    train_generator,
    epochs=100,
    validation_data=validation_generator,
    validation_steps=50,
    verbose=2)

7.绘制训练过程中损失曲线和精度曲线。

import matplotlib.pyplot as plt
acc=history.history['acc']
val_acc=history.history['val_acc']
loss=history.history['loss']
val_loss=history.history['val_loss']
epochs=range(len(acc))
plt.plot(epochs,acc,'bo',label='Training accuracy')
plt.plot(epochs,val_acc,'b',label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.figure()
plt.plot(epochs,loss,'ro',label='Training Loss')
plt.plot(epochs,val_loos,'r',label='Validation Loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

结果：过拟合。