365天深度学习训练营-第五周：运动鞋识别

第五周：运动鞋识别

• 本文为365天深度学习训练营 中的学习记录博客
• 参考文章：365天深度学习训练营-第5周：运动鞋品牌识别（训练营内部成员可读）
• 原作者：K同学啊

1.1 使用GPU

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,models
import os,PIL,pathlib
import matplotlib.pyplot as plt
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')

if gpus:
    gpu0 = gpus[0]
    tf.config.experimental.set_memory_growth(gpu0,True)
    tf.config.set_visible_devices([gpu0],"GPU")
print(gpus)

可以通过打印出的来检查是否启用GPU，使用CPU的可以忽略这步

如上图为成功使用GPU进行训练。否则为[].

1.2 导入数据

使用k同学提供的aididas和nike鞋的数据集，此处我是用的绝对路径。

# 2.导入数据
#image_count = len(list())
data_dir = "C:/study/artificialIntelligence/data/fifthWeek/"
data_dir = pathlib.Path(data_dir)

1.3 查看数据

image_count = len(list(data_dir.glob('*/*/*.jpg')))
print("图片总数为：",image_count)

打开一张图片：

roses = list(data_dir.glob('train/nike/*.jpg'))
PIL.Image.open(str(roses[0]))

2.数据预处理

1.加载数据

batch_size = 32
img_height=224
img_width = 224

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
"C:/study/artificialIntelligence/data/fifthWeek/train/",
    seed = 123,
    image_size= (img_height,img_width),
    batch_size=batch_size
)

Found 502 files belonging to 2 classes.

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
"C:/study/artificialIntelligence/data/fifthWeek/test/",
    seed = 123,
    image_size= (img_height,img_width),
    batch_size=batch_size
)

Found 76 files belonging to 2 classes.

class_names = train_ds.class_names
print(class_names)

[‘adidas’, ‘nike’]

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")

3.检查数据

#检查数据格式
for image_batch,labels_batch in train_ds :
    print(image_batch.shape)
    print(labels_batch.shape)
    break

(32, 224, 224, 3)
(32,)

• Image_batch是形状的张量（32,224,224,3）。这是一批形状224x224x3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
• 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：

使用prefetch()可显著减少空闲时间。

• cache() ：将数据集缓存到内存当中，加速运行

#配置数据集
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size = AUTOTUNE)

5.构建cnn

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，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。

odel = 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)),
    layers.AveragePooling2D((2,2)),
    layers.Conv2D(32,(3,3),activation = 'relu'),
    layers.AveragePooling2D((2,2)),
    layers.Dropout(0.3),
    layers.Conv2D(64,(3,3),activation = 'relu'),
    layers.Dropout(0.3),
    
    layers.Flatten(),
    layers.Dense(128,activation='relu'),
    layers.Dense(len(class_names))
])
model.summary()

6.训练模型

6.1 设置动态学习率

• 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。

# 设置学习率
initial_learning_rate = 0.1

lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
    initial_learning_rate,
    decay_steps=10,
    decay_rate=0.92,
    staircase=True

)
# 指数衰减学习率送入优化器
optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

model.compile(optimizer=optimizer,
             loss= tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy']
             )

学习率大与学习率小的优缺点分析:
学习率大

优点：
加快学习速率。
有助于跳出局部最优值。
缺点：
导致模型训练不收敛。
单单使用大学习率容易导致模型不精确。
学习率小：
优点：
有助于模型收敛、模型细化。
提高模型精度。
缺点：
很难跳出局部最优值。
收敛缓慢

6.2 早停与保存最佳模型参数

EarlyStopping()参数说明：

monitor: 被监测的数据。

min_delta: 在被监测的数据中被认为是提升的最小变化， 例如，小于 min_delta 的绝对变化会被认为没有提升。

patience: 没有进步的训练轮数，在这之后训练就会被停止。

verbose: 详细信息模式。

mode: {auto, min, max} 其中之一。 在 min 模式中， 当被监测的数据停止下降，训练就会停止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。

baseline: 要监控的数量的基准值。 如果模型没有显示基准的改善，训练将停止。

estore_best_weights: 是否从具有监测数量的最佳值的时期恢复模型权重。 如果为 False，则使用在训练的最后一步获得的模型权重。

from tensorflow.keras.callbacks import ModelCheckpoint,EarlyStopping

epochs = 50

# 保存最佳模型参数
checkpointer = ModelCheckpoint('best_model.h5',
                              monitor='val_accuracy',
                              verbose=1,
                              save_best_only=True,
                              save_weights_only=True)

#设置早停
earlystopper = EarlyStopping(monitor='val_accuracy',
                            min_delta=0.001,
                            patience=20,
                            verbose=1)

7.训练模型

#开始训练 
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs,
    callbacks=[checkpointer,earlystopper]
)

训练过程如下所示，一直在0.5左右，显然是学习率过大，导致模型不收敛。


重新设置学习率为0.0001和修改衰变率和decay_steps为：

# 设置学习率
initial_learning_rate = 1e-4

lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
    initial_learning_rate,
    decay_steps=30,
    decay_rate=0.96,
    staircase=True

)

再次训练，结果为：

结果很好

7.模型评估

#模型评估
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(len(loss))

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()

总结：要认识到学习率和欠拟合和过拟合对训练的影响，积极寻找解决办法。