深度学习之基于CNN实现天气识别

其实和猫狗大战还有上一篇博客的代码差不太多，但是中间出现了新的问题。

1.导入库

import numpy as np
import tensorflow as tf
import os,PIL
import random
import pathlib
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from keras.utils import np_utils

2.加载数据

本环节就是将训练集和测试集的数目，还有路径统计出来。方便后面利用网络进行训练。

dataset_url = "E:/tmp/.keras/datasets/weather_photos"
dataset_dir = pathlib.Path(dataset_url)
train_rain = os.path.join(dataset_dir,"train","rain")
train_shine = os.path.join(dataset_dir,"train","shine")
train_cloudy = os.path.join(dataset_dir,"train","cloudy")
train_sunshine = os.path.join(dataset_dir,"train","sunrise")

test_rain = os.path.join(dataset_dir,"test","rain")
test_shine = os.path.join(dataset_dir,"test","shine")
test_cloudy = os.path.join(dataset_dir,"test","cloudy")
test_sunshine = os.path.join(dataset_dir,"test","sunrise")
train_dir = os.path.join(dataset_dir,"train")
test_dir = os.path.join(dataset_dir,"test")
#统计训练集和测试集的数据数目
train_rain_num = len(os.listdir(train_rain))
train_shine_num = len(os.listdir(train_shine))
train_cloudy_num = len(os.listdir(train_cloudy))
train_sunrise_num = len(os.listdir(train_sunshine))
train_all = train_cloudy_num+train_sunrise_num+train_shine_num+train_rain_num

test_rain_num = len(os.listdir(test_rain))
test_shine_num = len(os.listdir(test_shine))
test_cloudy_num = len(os.listdir(test_cloudy))
test_sunrise_num = len(os.listdir(test_sunshine))
test_all = test_cloudy_num+test_sunrise_num+test_shine_num+test_rain_num

3.超参数的设置

epochs的次数是不固定的，可以自己设置。

batch_size = 32
epochs = 20
height = 180
width = 180

4.数据集预处理

其中包括：归一化，调整图片大小，打乱顺序等

train_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1.0/255)
test_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1.0/255)
train_data_gen = train_generator.flow_from_directory(
    batch_size=batch_size,
    directory=train_dir,
    shuffle=True,
    target_size=(height,width),
    class_mode="categorical"
)

test_data_gen = test_generator.flow_from_directory(
    batch_size=batch_size,
    directory=test_dir,
    shuffle=True,
    target_size=(height,width),
    class_mode="categorical"
)

5.搭建网络&&训练模型

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(16,3,padding="same",activation="relu",input_shape=(height,width,3)),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(32,3,padding="same",activation="relu"),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(64,3,padding="same",activation="relu"),
    tf.keras.layers.AveragePooling2D((2,2)),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation="relu"),
    tf.keras.layers.Dense(4,activation='softmax')
])
model.compile(optimizer="adam",
              loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),
              metrics=["acc"])
history = model.fit_generator(train_data_gen,
                              steps_per_epoch=train_all//batch_size,
                              epochs=epochs,
                              validation_data=test_data_gen,
                              validation_steps=test_all//batch_size)

所出现的问题就在这里，之前的池化方法都是选择的Max-Pooling,但是单纯的用Max-Pooling，实验效果如下所示：
epochs为20时：

整体趋势是呈现上升的，但是在epochs为13的时候，出现了骤降的现象。
epochs为50时：

也存在同样的现象。
尝试将所有的池化方法改成Average-Pooling。
epochs为20时的实验效果：

不会出现那样的骤降现象，但是整体呈现波动的趋势。
尝试前两次的池化方法采用Max-Pooling方法，第三次的池化方法采用Average-Pooling方法。
epochs为20时的实验效果：

也存在波动的现象，但是相比于之前的两种方法，得到了改善。
使用Max-Pooling和Average-Pooling的情况分别是什么呢？
①Max-Pooling
在目标对象是偏向于纹理、轮廓时，选用Max-Pooling较好。
②Average-Pooling
在目标对象时偏向于背景或其他信息时，选用Average-Pooling较好。
Max&&Average
③可以在较浅层使用Max-Pooling，用来过滤无用的信息；在较深层使用Average-Pooling，防止丢掉太多高维信息。

天气识别，背景信息比较重要，所以使用Average-Pooling方法比较合适。
努力加油a啊