深度学习——以CNN服装图像分类为例，探讨怎样评价神经网络模型

  活动地址：CSDN21天学习挑战赛

目录

怎样评价神经网络

利用keras中的history对象

history.history字典的键值

根据key值对应的value画图分析网络模型

利用model.evaluate评估

实例

彩色图片分类

数据导入

数据预处理 ——图片归一化

输出数据集大小，调整数据集格式

构建网络模型

编译网络模型

训练网络模型

评价网络模型

预测测试值

服装分类

数据导入

数据预处理——图像归一化

数据格式调整

构建网络模型

编译训练网络模型 

评价网络模型

预测测试集

---

怎样评价神经网络

利用keras中的history对象

keras中的类History对象有两个属性 history 和 epoch

history.epoch返回一个列表，列表的值是 0 ~ 训练时指定的epoch

history.history返回一个字典，字典有4个键值key，分别是accuracy、val_accuracy、loss和val_loss，每个key的value均是一个列表，列表的长度=history.epoch的长度=模型训练时指定的epoch数

这里我们用到的主要是history.history的4个键值，下面详细介绍

history.history字典的键值

首先我们来介绍一下训练集train_set和测试集test_set （实际上还有一个用的不多的验证集validation set）

训练集是参与网络模型训练的数据集

测试集是对网络模型的性能进行评估的数据集，一般不参与网络模型的训练

验证集是用来用来调整网络超参数的数据集（用的不多）

一般来说整个数据集中训练集和测试集的比例是7：3，有验证集时的比例是6：2：2

accuracy和loss均是描述训练集的

• accuracy是每轮训练，训练集的准确度
• loss是每轮训练，训练集的损失程度

val_accuracy和val_loss均是描述验证集的

但验证集一般不怎么用，一般是用测试集代替验证集，所以才有了训练模型fit函数内的validation_data参数传的是测试集，故这两个对象代表的也可以是测试集

• val_accuracy是每轮训练，验证集的准确度
• val_loss是每轮训练，验证集的损失程度

根据key值对应的value画图分析网络模型

这4个键对应的值恰好是每次训练得到的loss、accuracy、val_loss、val_accuracy，如下图

每轮训练得到的loss、accuracy、val_loss、val_accuracy是通过编译网络模型时指定的计算方法计算的：

 可以利用 matplotlib.pyplot 库绘画出这4条线的变化，具体代码如下：

plt.plot(history.history['accuracy'], label='accuracy')  # 训练集准确度
plt.plot(history.history['val_accuracy'], label='val_accuracy ')  # 验证集准确度
plt.plot(history.history['loss'], label='loss')  # 训练集损失程度
plt.plot(history.history['val_loss'], label='val_loss')  # 验证集损失程度
plt.xlabel('Epoch')  # 训练轮数
plt.ylabel('value')  # 值
plt.ylim([0, 1])  #  y轴表示范围
plt.legend(loc='lower left')  # 图例位置
plt.show()

下面是示例图：

 由折线整体变化趋势分析

loss	val_loss	网络情况
逐渐下降	逐渐下降	网络模型训练正常，这是最好的情况。
逐渐下降	趋于不变/逐渐上升	网络过拟合。 过拟合是指网络模型能够较好的表示训练集的数据，但是泛化能力较差，对于其他同种的数据集（比如测试集）效果很差 比如下图，模型训练出来是红线，与训练集实际数据误差和很小， 蓝线是另一种拟合曲线，相比误差较大 来自知乎  过拟合(overfitting)与解决办法  但是，对于一些非训练集的数据，可能会存在下图的情况  来自知乎  过拟合(overfitting)与解决办法  过拟合主要是 数据集较少或者模型较复杂引起的  解决方法有：  增加数据集数据： （1）插值法增加数据 （2）手动拍摄等方法创造数据 （3）对已有数据集作旋转、切割等处理增加数据集 简化模型复杂度：尽量能够用物理数学建模确定复杂度        （1）减少神经网络的特征提取层数，例如CNN神经网络减少卷积层数 （2）减少模型的训练轮数，提前在合适的位置停止训练 （3）正则化：惩罚力度  可以施加在权重、输出、偏置参数上，这里介绍施加在权重上的   通常采用的方法有L1，L2两种   L1：     L2:   代码实现： # 可以在Dense、Conv2D函数中 加kernel_regularizer正则化器参数 layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1),kernel_regularizer=keras.regularizers.L1L2(0.01)) layers.Dense(64, activation='relu',kernel_regularizer=keras.regularizers.L1L2(0.01)) （4）Drop-out：在训练阶段，每次训练随机选择一部分神经元不使用，减少复杂度。         实现：在Flattern层后加Drop-out层设置灭活比 layers.Dropout(rate=.数字) # 0~1 1会报错
趋于不变	逐渐下降	数据集有严重问题，建议重新选择数据集。一般不会出现这种情况。
趋于不变	趋于不变	根据数据集大小有以下两种情况： 如果数据集规模较大，代表学习过程遇到瓶颈，需要减小学习率。其次考虑修改 batchsize 大小，在input_shape中修改 data_format=channels_last默认传(batchsize一般不设置,height,width,channles)。 如果数据集很规模较小，训练稳定，不做修改。
逐渐上升	逐渐上升	可能是网络结构设计、训练参数、数据集等的问题。这种情况属于训练过程中最差情况，得一个一个排除问题。

利用model.evaluate评估

该函数会接受测试集数据，输出测试集的loss和accuray值（accuracy只有compile时指定metrics才会有）

实例

彩色图片分类

数据导入

import tensorflow as tf
from keras import datasets, models, layers  # keras
import matplotlib.pyplot as plt
#导入数据集
(train_images, train_labels), (test_images, test_labels) =tf.keras.datasets.cifar10.load_data()  # datasets内部集成了彩色图片数据集，

数据预处理 ——图片归一化

# 归一化
# 将像素的值标准化至0到1的区间内,rgb像素值 0~255 0为黑 1为白
train_images, test_images = train_images / 255.0, test_images / 255.0

输出数据集大小，调整数据集格式

print(train_images.size)  # 153600000
print(test_images.size)  # 30720000
# 换算
# 彩色说明3通道 32*32的图片
train_images = train_images.reshape((-1, 32, 32, 3))
test_images = test_images.reshape((-1, 32, 32, 3))

构建网络模型

经过多次测试，从两层卷积池化到三层卷积池化到两次卷积池化+Dropout到三层卷积池化Dropout，多次评价模型，最好的情况是在三层卷积池化+Dropout(0.3)

代码如下：

# 构建CNN网络模型
model = models.Sequential([  # 采用Sequential 顺序模型
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    # 卷积层1，卷积核个数32，卷积核3*3*3 relu激活去除负值保留正值，输入是32*32*3
    layers.MaxPooling2D((2, 2)),  # 池化层1，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    # 卷积层2，卷积核64个，卷积核3*3*3，relu激活去除负值保留正值
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    # 卷积层2，卷积核64个，卷积核3*3*3，relu激活去除负值保留正值
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Flatten(),  # Flatten层，连接卷积层与全连接层
    layers.Dropout(0.3),# 设置Dropout层
    layers.Dense(64, activation='relu'),  # 全连接层，64张特征图，特征进一步提取
    layers.Dense(10)  # 输出层，输出预期结果
])
# 打印网络结构
model.summary()

编译网络模型

# 编译
model.compile(optimizer='adam',  # 优化器
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              # 设置损失函数from_logits: 为True时，会将y_pred转化为概率
              metrics=['accuracy'])

训练网络模型

# 训练
# epochs为训练轮数
history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

评价网络模型

绘制loss、val_loss、accuracy、val_accuracy折线图

# 评价
plt.plot(history.history['accuracy'], label='accuracy')  # 精确度
plt.plot(history.history['val_accuracy'], label='val_accuracy ')
plt.plot(history.history['loss'], label='loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.xlabel('Epoch')  # 循环次数
plt.ylabel('value')
plt.ylim([0, 1.5])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=1)  # loss函数的值和 metrics值
# 输入数据和标签，输出损失值和选定的指标值（如精确度accuracy）
print(test_loss, test_acc)
# 313/313 [==============================] - 1s 2ms/step - loss: 0.8412 - accuracy: 0.7079
# 0.8412009477615356 0.7078999876976013

val_loss与loss均逐渐下降，属于最好的情况

预测测试值

# 绘制测试集图片
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(20, 10))  # 这里只看20张，实际上并不需要可视化图片这一步骤
for i in range(20):
    plt.subplot(5, 10, i + 1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[test_labels[i][0]])
plt.show()

# 预测
pre = model.predict(test_images)  # 对所有测试图片进行预测
for x in range(5):
    print(pre[x])
for x in range(5):
    print(class_names[np.array(pre[x]).argmax()])

 运行输出

 

得到结论是相符合 

服装分类

数据导入

# 导入数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.fashion_mnist.load_data()  # datasets内部集成了MNIST数据集

数据预处理——图像归一化

# 归一化
# 将像素的值标准化至0到1的区间内,rgb像素值 0~255 0为黑 1为白
train_images, test_images = train_images / 255.0, test_images / 255.0

数据格式调整

# 这里图片的格式是28*28，通道数为1
train_images = train_images.reshape((-1, 28, 28, 1))
test_images = test_images.reshape((-1, 28, 28, 1))

构建网络模型

 这里采用了边缘填充0，3层卷积池化

# 构建CNN网络模型
model = models.Sequential([  # 采用Sequential 顺序模型
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1),padding='same'),
    # 卷积层1，卷积核个数32，卷积核3*3*1 relu激活去除负值保留正值，输入是28*28*1
    layers.MaxPooling2D((2, 2)),  # 池化层1，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    # 卷积层2，卷积核64个，卷积核3*3，relu激活去除负值保留正值
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Conv2D(64, (3, 3), activation='relu'),
    # 卷积层3，卷积核64个，卷积核3*3，relu激活去除负值保留正值
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样

    layers.Flatten(),  # Flatten层，连接卷积层与全连接层
    layers.Dropout(0.3),
    layers.Dense(64, activation='relu'),  # 全连接层，64张特征图，特征进一步提取
    layers.Dense(10)  # 输出层，输出预期结果
])
# 打印网络结构
model.summary()

编译训练网络模型 

# 编译
model.compile(optimizer='adam',  # 优化器
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              # 设置损失函数from_logits: 为True时，会将y_pred转化为概率
              metrics=['accuracy'])

# 训练
# epochs为训练轮数
history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

评价网络模型

# 评价
plt.plot(history.history['accuracy'], label='accuracy')  # 训练集准确度
plt.plot(history.history['val_accuracy'], label='val_accuracy ')  # 验证集准确度
plt.plot(history.history['loss'], label='loss')  # 训练集损失程度
plt.plot(history.history['val_loss'], label='val_loss')  # 验证集损失程度
plt.xlabel('Epoch')  # 训练轮数
plt.ylabel('value')  # 值
plt.ylim([0, 1])
plt.legend(loc='lower left')  # 图例位置
plt.show()

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=1)  # loss函数的值和 metrics值
# 输入数据和标签，输出损失值和选定的指标值（如精确度accuracy）
print(test_loss, test_acc)

 观察得到，loss和val_loss均逐渐下降，是最好的情况

预测测试集

# 绘制测试集图片
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
plt.figure(figsize=(20, 10))  # 这里只看20张，实际上并不需要可视化图片这一步骤
for i in range(20):
    plt.subplot(5, 10, i + 1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[test_labels[i]])
plt.show()

# 预测
pre = model.predict(test_images)  # 对所有测试图片进行预测
for x in range(5):
    print(pre[x])
for x in range(5):
    print(class_names[np.array(pre[x]).argmax()])

 

​