【Tensorflow】自制数据集--神经网络八股功能扩展
【Tensorflow】自制数据集–神经网络八股功能扩展
-
0.自制数据集，解决本领域应用
-
1.数据增强，扩充数据集
-
2.断点续训，存取模型
-
3.参数提取，把参数存入文本
-
4.acc/loss可视化，查看训练效果
-
5.应用程序，给图识物
本文内容学习来自B站【北京大学】Tensorflow2.0
代码及数据集下载
提取码：52ru
0.1 自制数据集，解决本领域应用
数据集中的图片均为黑底白字，像素点为28x28的灰度图，训练用的数据集mnist_train_ipg_60000中有60000张图片，测试用的数据集mnist_test_jpg_10000中有10000张图片，这些图片均为手写字。在两个txt文件中存储着图片名称以及对应标签。3933_2.jpg是图片名称，2是图片标签，表示该图片为手写字2。每个像素点为均为0~255之间的整数，纯黑色用数值0表示，纯白色用数值255表示。
0.2 自定义generateds函数用于获得输入特征及标签
def generatrds(path,txt):
f = open(txt,'r) #打开文件，只读
contents = f.readlines() #按行读取，并将读取内容存入contents
f.close() #关闭文件
x, y_ = [],[] #建立两个列表，用于存储特征及标签
for content in contents:
value = content.split() #value值按空格隔开
img_path = path + value[0] #value[0]即为图片名称，value[1]为标签
img = Image.open(img_path) #打开图片
img = np.array(img.convert('L')) #图片变为八位宽度的灰度值np.array格式
img = img/255. #归一化
x.append(img) #归一化后贴到列表x
y_.append(value[1]) #把标签贴到列表y
print('loading:'+content) #打印输出
x = np.array(x)
y_ = np.array(y_)
y_ = y_.astype(np.int64) #类型转换
return x,y_
完整代码
import tensorflow as tf
from PIL import Image
import numpy as np
import os
train_path = './mnist_image_label/mnist_train_jpg_60000/'
train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'
x_train_savepath = './mnist_image_label/mnist_x_train.npy'
y_train_savepath = './mnist_image_label/mnist_y_train.npy'
test_path = './mnist_image_label/mnist_test_jpg_10000/'
test_txt = './mnist_image_label/mnist_test_jpg_10000.txt'
x_test_savepath = './mnist_image_label/mnist_x_test.npy'
y_test_savepath = './mnist_image_label/mnist_y_test.npy'
def generateds(path, txt):
f = open(txt, 'r') # 以只读形式打开txt文件
contents = f.readlines() # 读取文件中所有行
f.close() # 关闭txt文件
x, y_ = [], [] # 建立空列表
for content in contents: # 逐行取出
value = content.split() # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
img_path = path + value[0] # 拼出图片路径和文件名
img = Image.open(img_path) # 读入图片
img = np.array(img.convert('L')) # 图片变为8位宽灰度值的np.array格式
img = img / 255. # 数据归一化 （实现预处理）
x.append(img) # 归一化后的数据，贴到列表x
y_.append(value[1]) # 标签贴到列表y_
print('loading : ' + content) # 打印状态提示
x = np.array(x) # 变为np.array格式
y_ = np.array(y_) # 变为np.array格式
y_ = y_.astype(np.int64) # 变为64位整型
return x, y_ # 返回输入特征x，返回标签y_
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(
x_test_savepath) and os.path.exists(y_test_savepath):
print('-------------Load Datasets-----------------')
x_train_save = np.load(x_train_savepath)
y_train = np.load(y_train_savepath)
x_test_save = np.load(x_test_savepath)
y_test = np.load(y_test_savepath)
x_train = np.reshape(x_train_save, (len(x_train_save), 28, 28))
x_test = np.reshape(x_test_save, (len(x_test_save), 28, 28))
else:
print('-------------Generate Datasets-----------------')
x_train, y_train = generateds(train_path, train_txt)
x_test, y_test = generateds(test_path, test_txt)
print('-------------Save Datasets-----------------')
x_train_save = np.reshape(x_train, (len(x_train), -1))
x_test_save = np.reshape(x_test, (len(x_test), -1))
np.save(x_train_savepath, x_train_save)
np.save(y_train_savepath, y_train)
np.save(x_test_savepath, x_test_save)
np.save(y_test_savepath, y_test)
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()
0.3 运行结果
起初文件夹中并没有npy文件，所以执行Generate Datasets，调用generateds函数，得到x_train,x_test,y_train,y_test,并执行Save Datasets, 将文件保存如下：
np.save(file, arr, allow_pickle=True, fix_imports=True)
解释：Save an array to a binary file in NumPy .npy format。以“.npy”格式将数组保存到二进制文件中。
参数：
file 要保存的文件名称，需指定文件保存路径，如果未设置，保存到默认路径。其文件拓展名为.npy
arr 为需要保存的数组，也即把数组arr保存至名称为file的文件中。
原文地址
1.1 数据增强，扩充数据集
数据增强目的：增大数据量
可以参考一下这篇文章：Data Augmentation
数据增强函数：
tf.keras.preprocessing.image.ImageDataGenerator(
rescale = 所有数据将乘以该数值
rotation_range = 随即旋转角度数范围
width_shift_range = 随机宽度偏移量
height_shift_range = 随机高度偏移量
horizontal_flip = 是否随机水平翻转
zoom_range = 随机缩放的范围[1-n,1+n]
)
完整代码
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1) # 给数据增加一个维度,从(60000, 28, 28)reshape为(60000, 28, 28, 1)，最后一个维度是灰度值
image_gen_train = ImageDataGenerator(
rescale=1. / 1., # 如为图像，分母为255时，可归至0～1
rotation_range=45, # 随机45度旋转
width_shift_range=.15, # 宽度偏移
height_shift_range=.15, # 高度偏移
horizontal_flip=False, # 水平翻转
zoom_range=0.5 # 将图像随机缩放阈量50％
)
image_gen_train.fit(x_train)
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
model.fit(image_gen_train.flow(x_train, y_train, batch_size=32), epochs=5, validation_data=(x_test, y_test),
validation_freq=1)
model.summary()
2.1 断点续训，存取模型
要想读取模型可以直接使用tensorflow的函数load_weights(路径文件名)，就可以直接读取已有模型参数。可以先定义出存放模型的路径及文件名，文件名后缀为ckpt，生成ckpt文件时会同步生成index文件(索引表)，所以通过判断是否已经存在索引表来判断模型是否存在，如果参在直接加载模型，读取模型参数；如果不存在，则需要使用tensorflow给的回调函数:
# 是否只保存模型参数，是否只保存最优模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(
filepath = 路径文件名,
save_weights_only = True/False,
save_best_only = True/False
)
history = model.fit(callbacks = [cp_callback])
加入断点续训后的完整代码
import tensorflow as tf
import os
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
# 引入os模块用于判断保存的模型参数是否存在
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
第二次执行时可以看到输出load the model, 加载了已经保存的模型参数，而且准确率不断升高，执行时间不断减小。
3.1 参数提取，把参数存入文本
如何看到刚刚保存的模型参数呢？可以使用参数提取的方法，将参数存入文本。
model.trainable_variables # tensorflow中可以该函数返回模型中可训练的参数
# 设置print输出格式，当输出数量超过阈值时以省略号的形式输出
np.set_printoptions(threshold=np.inf) # np.inf表示无限大
print(model.trainable_variables)
file = open('/weights.txt','w') # 打开文件以写入的形式
for v in model.trainable_variables:
file.write(str(v.name) + '\n')
file.write(str(v.shape) +'\n')
file.write(str(v.numpy()) +'\n')
file.close() # 关闭文件
完整代码（包含断点续训）
import tensorflow as tf
import os
import numpy as np
np.set_printoptions(threshold=np.inf)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
print(model.trainable_variables)
file = open('./weights.txt', 'w')
for v in model.trainable_variables:
file.write(str(v.name) + '\n')
file.write(str(v.shape) + '\n')
file.write(str(v.numpy()) + '\n')
file.close()
3.2 查看结果
4.1 acc曲线和loss曲线
history = model.fit(训练集数据,训练集标签,batch_size=,
epochs=,validation_split=用作测试数据的比例,
validation_data=测试集,validation_freq=测试频率)
# 在训练和测试中均已计算accuracy，使用history将其提取出来即可
acc = history.history['sparse_categorical_accuracy'] #训练集准确率
val_acc = history.history['val_sparse_categorical_accuracy'] #测试集准确率
loss = history.history['loss'] #训练集损失函数
val_loss = history.history['val_loss'] #测试集损失函数
完整代码
import tensorflow as tf
import os
import numpy as np
from matplotlib import pyplot as plt
np.set_printoptions(threshold=np.inf)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=['sparse_categorical_accuracy'])
checkpoint_save_path = "./checkpoint/mnist.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True)
history = model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
print(model.trainable_variables)
file = open('./weights.txt', 'w')
for v in model.trainable_variables:
file.write(str(v.name) + '\n')
file.write(str(v.shape) + '\n')
file.write(str(v.numpy()) + '\n')
file.close()
############################################### show ###############################################
# 显示训练集和验证集的acc和loss曲线
acc = history.history['sparse_categorical_accuracy']
val_acc = history.history['val_sparse_categorical_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
plt.subplot(1, 2, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend()
plt.subplot(1, 2, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
4.2 运行结果
5.在下一篇文中
继续加油！