• 深度学习100例-卷积神经网络(CNN)猴痘病识别 | 第45天


    本文为🔗365天深度学习训练营 内部限免文章(版权归 K同学啊 所有)
    参考本文所写记录性文章,请在文章开头注明以下内容,复制粘贴即可

    >- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客**
    >- **🍦 参考文章地址: [🔗深度学习100-卷积神经网络(CNN)猴痘病识别 |45](https://blog.csdn.net/qq_38251616/article/details/126284706)**
    >- **🍖 作者:[K同学啊](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw)**
    
    • 1
    • 2
    • 3

    作者:K同学啊

    我的环境:

    • 语言环境:Python3.6.5
    • 编译器:jupyter notebook
    • 深度学习框架:TensorFlow2.4.1
    • 显卡(GPU):NVIDIA GeForce RTX 3080
    • 数据:公众号(K同学啊)内回复 DL+45

    来自专栏:【深度学习100例】

    一、前期工作

    1. 设置GPU

    如果使用的是CPU可以忽略这步

    from tensorflow       import keras
    from tensorflow.keras import layers,models
    import os, PIL, pathlib
    import matplotlib.pyplot as plt
    import tensorflow        as tf
    
    gpus = tf.config.list_physical_devices("GPU")
    
    if gpus:
        gpu0 = gpus[0]                                        #如果有多个GPU,仅使用第0个GPU
        tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
        tf.config.set_visible_devices([gpu0],"GPU")
        
    gpus
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
    
    • 1

    2. 导入数据

    data_dir = "./45-data/"
    
    data_dir = pathlib.Path(data_dir)
    
    • 1
    • 2
    • 3

    3. 查看数据

    image_count = len(list(data_dir.glob('*/*.jpg')))
    
    print("图片总数为:",image_count)
    
    • 1
    • 2
    • 3
    图片总数为: 2142
    
    • 1
    Monkeypox = list(data_dir.glob('Monkeypox/*.jpg'))
    PIL.Image.open(str(Monkeypox[0]))
    
    • 1
    • 2

    二、数据预处理

    1. 加载数据

    使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset

    测试集与验证集的关系:

    1. 验证集并没有参与训练过程梯度下降过程的,狭义上来讲是没有参与模型的参数训练更新的。
    2. 但是广义上来讲,验证集存在的意义确实参与了一个“人工调参”的过程,我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop,或者根据这个过程模型的性能变化来调整模型的超参数,如学习率,batch_size等等。
    3. 因此,我们也可以认为,验证集也参与了训练,但是并没有使得模型去overfit验证集
    batch_size = 32
    img_height = 224
    img_width = 224
    
    • 1
    • 2
    • 3
    """
    关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
    """
    train_ds = tf.keras.preprocessing.image_dataset_from_directory(
        data_dir,
        validation_split=0.2,
        subset="training",
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    Found 2142 files belonging to 2 classes.
    Using 1714 files for training.
    
    • 1
    • 2
    """
    关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
    """
    val_ds = tf.keras.preprocessing.image_dataset_from_directory(
        data_dir,
        validation_split=0.2,
        subset="validation",
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    Found 2142 files belonging to 2 classes.
    Using 428 files for validation.
    
    • 1
    • 2

    我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

    class_names = train_ds.class_names
    print(class_names)
    
    • 1
    • 2
    ['Monkeypox', 'Others']
    
    • 1

    2. 可视化数据

    plt.figure(figsize=(20, 10))
    
    for images, labels in train_ds.take(1):
        for i in range(20):
            ax = plt.subplot(5, 10, i + 1)
    
            plt.imshow(images[i].numpy().astype("uint8"))
            plt.title(class_names[labels[i]])
            
            plt.axis("off")
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    3. 再次检查数据

    for image_batch, labels_batch in train_ds:
        print(image_batch.shape)
        print(labels_batch.shape)
        break
    
    • 1
    • 2
    • 3
    • 4
    (32, 224, 224, 3)
    (32,)
    
    • 1
    • 2
    • Image_batch是形状的张量(32,180,180,3)。这是一批形状180x180x3的32张图片(最后一维指的是彩色通道RGB)。
    • Label_batch是形状(32,)的张量,这些标签对应32张图片

    4. 配置数据集

    • shuffle() :打乱数据,关于此函数的详细介绍可以参考:https://zhuanlan.zhihu.com/p/42417456
    • prefetch() :预取数据,加速运行

    prefetch()功能详细介绍:CPU 正在准备数据时,加速器处于空闲状态。相反,当加速器正在训练模型时,CPU 处于空闲状态。因此,训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时,CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时(而不是总用时),而且可以缩短提取和转换数据所需的时间。如果不使用prefetch(),CPU 和 GPU/TPU 在大部分时间都处于空闲状态:

    在这里插入图片描述
    使用prefetch()可显著减少空闲时间:
    在这里插入图片描述

    • cache() :将数据集缓存到内存当中,加速运行
    AUTOTUNE = tf.data.AUTOTUNE
    
    train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
    val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
    
    • 1
    • 2
    • 3
    • 4

    三、构建CNN网络

    卷积神经网络(CNN)的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels),包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道(color channel)。在此示例中,我们的 CNN 输入的形状是 (224, 224, 4)即彩色图像。我们需要在声明第一层时将形状赋值给参数input_shape

    num_classes = 2
    
    """
    关于卷积核的计算不懂的可以参考文章:https://blog.csdn.net/qq_38251616/article/details/114278995
    
    layers.Dropout(0.4) 作用是防止过拟合,提高模型的泛化能力。
    在上一篇文章花朵识别中,训练准确率与验证准确率相差巨大就是由于模型过拟合导致的
    
    关于Dropout层的更多介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/115826689
    """
    
    model = models.Sequential([
        layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
        
        layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1,卷积核3*3  
        layers.AveragePooling2D((2, 2)),               # 池化层1,2*2采样
        layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2,卷积核3*3
        layers.AveragePooling2D((2, 2)),               # 池化层2,2*2采样
        layers.Dropout(0.3),  
        layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3,卷积核3*3
        layers.Dropout(0.3),  
        
        layers.Flatten(),                       # Flatten层,连接卷积层与全连接层
        layers.Dense(128, activation='relu'),   # 全连接层,特征进一步提取
        layers.Dense(num_classes)               # 输出层,输出预期结果
    ])
    
    model.summary()  # 打印网络结构
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    Model: "sequential"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    rescaling (Rescaling)        (None, 224, 224, 3)       0         
    _________________________________________________________________
    conv2d (Conv2D)              (None, 222, 222, 16)      448       
    _________________________________________________________________
    average_pooling2d (AveragePo (None, 111, 111, 16)      0         
    _________________________________________________________________
    conv2d_1 (Conv2D)            (None, 109, 109, 32)      4640      
    _________________________________________________________________
    average_pooling2d_1 (Average (None, 54, 54, 32)        0         
    _________________________________________________________________
    dropout (Dropout)            (None, 54, 54, 32)        0         
    _________________________________________________________________
    conv2d_2 (Conv2D)            (None, 52, 52, 64)        18496     
    _________________________________________________________________
    dropout_1 (Dropout)          (None, 52, 52, 64)        0         
    _________________________________________________________________
    flatten (Flatten)            (None, 173056)            0         
    _________________________________________________________________
    dense (Dense)                (None, 128)               22151296  
    _________________________________________________________________
    dense_1 (Dense)              (None, 2)                 258       
    =================================================================
    Total params: 22,175,138
    Trainable params: 22,175,138
    Non-trainable params: 0
    _________________________________________________________________
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30

    四、编译

    在准备对模型进行训练之前,还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的:

    • 损失函数(loss):用于衡量模型在训练期间的准确率。
    • 优化器(optimizer):决定模型如何根据其看到的数据和自身的损失函数进行更新。
    • 指标(metrics):用于监控训练和测试步骤。以下示例使用了准确率,即被正确分类的图像的比率。
    # 设置优化器
    opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
    
    model.compile(optimizer=opt,
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    五、训练模型

    关于ModelCheckpoint的详细介绍可参考文章 🔗ModelCheckpoint 讲解【TensorFlow2入门手册】

    from tensorflow.keras.callbacks import ModelCheckpoint
    
    epochs = 50
    
    checkpointer = ModelCheckpoint('best_model.h5',
                                    monitor='val_accuracy',
                                    verbose=1,
                                    save_best_only=True,
                                    save_weights_only=True)
    
    history = model.fit(train_ds,
                        validation_data=val_ds,
                        epochs=epochs,
                        callbacks=[checkpointer])
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    Epoch 1/50
    54/54 [==============================] - 4s 18ms/step - loss: 0.6969 - accuracy: 0.5408 - val_loss: 0.6763 - val_accuracy: 0.6098
    
    Epoch 00001: val_accuracy improved from -inf to 0.60981, saving model to best_model.h5
    Epoch 2/50
    54/54 [==============================] - 1s 12ms/step - loss: 0.6672 - accuracy: 0.5858 - val_loss: 0.6423 - val_accuracy: 0.6612
    
    ......
    
    Epoch 00047: val_accuracy did not improve from 0.87850
    Epoch 48/50
    54/54 [==============================] - 1s 12ms/step - loss: 0.0953 - accuracy: 0.9691 - val_loss: 0.4090 - val_accuracy: 0.8715
    
    Epoch 00048: val_accuracy did not improve from 0.87850
    Epoch 49/50
    54/54 [==============================] - 1s 12ms/step - loss: 0.0699 - accuracy: 0.9819 - val_loss: 0.3922 - val_accuracy: 0.8832
    
    Epoch 00049: val_accuracy improved from 0.87850 to 0.88318, saving model to best_model.h5
    Epoch 50/50
    54/54 [==============================] - 1s 12ms/step - loss: 0.0714 - accuracy: 0.9772 - val_loss: 0.4151 - val_accuracy: 0.8785
    
    Epoch 00050: val_accuracy did not improve from 0.88318
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    六、模型评估

    1. Loss与Accuracy图

    acc = history.history['accuracy']
    val_acc = history.history['val_accuracy']
    
    loss = history.history['loss']
    val_loss = history.history['val_loss']
    
    epochs_range = range(epochs)
    
    plt.figure(figsize=(12, 4))
    plt.subplot(1, 2, 1)
    plt.plot(epochs_range, acc, label='Training Accuracy')
    plt.plot(epochs_range, val_acc, label='Validation Accuracy')
    plt.legend(loc='lower right')
    plt.title('Training and Validation Accuracy')
    
    plt.subplot(1, 2, 2)
    plt.plot(epochs_range, loss, label='Training Loss')
    plt.plot(epochs_range, val_loss, label='Validation Loss')
    plt.legend(loc='upper right')
    plt.title('Training and Validation Loss')
    plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21

    2. 指定图片进行预测

    # 加载效果最好的模型权重
    model.load_weights('best_model.h5')
    
    • 1
    • 2
    from PIL import Image
    import numpy as np
    
    # img = Image.open("./45-data/Monkeypox/M06_01_04.jpg")  #这里选择你需要预测的图片
    img = Image.open("./45-data/Others/NM15_02_11.jpg")  #这里选择你需要预测的图片
    image = tf.image.resize(img, [img_height, img_width])
    
    img_array = tf.expand_dims(image, 0) 
    
    predictions = model.predict(img_array) # 这里选用你已经训练好的模型
    print("预测结果为:",class_names[np.argmax(predictions)])
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    预测结果为: Others
    
    • 1
    
    
    • 1
  • 相关阅读:
    RK3588开发笔记-MIPI-CSI接口视频解码芯片XS9922B调试
    ES 8.x 新特性:match_phrase 跨值查询中 position_increment_gap 参数用法
    函数式接口
    git clone - error: invalid path
    Python自学教程1-安装pycharm和执行环境
    npm run dev和npm run serve
    Ubuntu中如何设置IP地址
    如果有10个词,我想从中取3个词,然后把所有的10选3的可能统计记录下来,该怎么做?...
    网络安全笔记-Web架构
    Neuron v2.2.2 发布:MQTT插件功能提升 、新增OPC DA驱动
  • 原文地址:https://blog.csdn.net/qq_38251616/article/details/126284706