深度学习--猴痘识别

一.引言

本文使用自己手工搭建的神经网络进行猴痘识别，猴痘是近年来的一个重大传染病。

二.前期准备

导入依赖

from tensorflow import keras
from tensorflow.keras import layers,models
import os,PIL,pathlib

import matplotlib.pyplot as plt
import tensorflow as tf

设置GPU

gpus=tf.config.list_physical_devices("GPU")
if gpus:
    gpus0=gpus[0]
    tf.config.experimental.set_memory_growth(gpus0,True)
    tf.config.set_visible_devices([gpus0],"GPU")
gpus

三.实验

获取文件对象，统计图片总数:

data_dir="./45-data/"
data_dir=pathlib.Path(data_dir)
image_count=len(list(data_dir.glob('*/*.jpg')))
print("图片的总数为:",image_count)

 

 可视化猴痘图像

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

 

 设置输入的图像的大小:

batch_size=32
img_height=224
img_width=224

 设置训练集

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
)

 

设置验证集

val=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
)

 

得到类别标签 

class_names=train_ds.class_names
print(class_names)

 

 再次可视化图像:

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")

 

 得到图像的张量大小:

for image_batch,labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

配置数据集: 

AUTOTUNE=tf.data.AUTOTUNE
train_ds=train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds=val.cache().prefetch(buffer_size=AUTOTUNE)

 搭建网络模型

num_classes=2

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)),
    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(num_classes)
])
model.summary()

 

设置优化器并进行模型编译

opt=tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(
              optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy']
             )

 模型训练:

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])

使用训练得到的最好的权重进行预测:

model.load_weights('best_model.h5')

from PIL import Image
import numpy as np
img=Image.open('./45-data/Others/NM15_02_11.jpg')
image=tf.image.resize(img,[img_height,img_width])
img_array=tf.expand_dims(image,0)
predictions=model.predict(img_array)
print("预测结果为:",class_names[np.argmax(predictions)])

 

四.总结

进行模型训练结果的可视化结果如下:

观察上述结果可以发现，在训练批次为8左右模型的训练结果尚好，验证集的准确率在不断增加， 训练集尽管他的准确率还在提高，但在20以后验证集准确率趋于稳定，尽管越到后面的训练批次模型的准确率在不断升高，但实际已经发生了模型在训练集上的过拟合。