应用 Tensorflow 进行花卉识别（flower_recognition）

数据获取：Kaggle上下载【Flowers Recognition | Kaggle】

数据预处理:

#训练集
train_data=tf.keras.utils.image_dataset_from_directory(
    train_dir, #存放数据的目录
    labels='inferred', #按照目录结构推断
    label_mode='int',
    validation_split=0.2,
    subset='training', #返回为training数据
    seed=128,
    shuffle=True,
    color_mode='rgb',
    batch_size=16,
    image_size=(150,150)
)
#验证集
validation_data=tf.keras.utils.image_dataset_from_directory(
    train_dir,
    labels='inferred',
    label_mode='int',
    validation_split=0.2,
    subset='validation',
    seed=128,
    shuffle=True,
    color_mode='rgb',
    batch_size=16,
    image_size=(150,150)
)
#测试集
test_data=tf.keras.utils.image_dataset_from_directory(
    test_dir,
    labels='inferred',
    label_mode='int',
    shuffle=True,
    color_mode='rgb',
    batch_size=16,
    image_size=(150,150)
)

查看生成的train_data中的前16张图片

#查看生成的train_data中的前16张图片
class_names=train_data.class_names
print(class_names)

plt.figure(figsize=(20,15))
for image,label in train_data.take(1):#BatchDataset类型数据返回最多一个批次为包含图像数组和标签的元组，图像数组shape=(16,64,64,3),标签（16，1）
    print(image.shape)
    print(label.shape)
    for i in range(16):
        ax=plt.subplot(4,4,i+1)
        plt.imshow(image[i].numpy().astype("uint8"))
        plt.axis('off')
        plt.title(class_names[label[i]])

 

 开始训练:

      可使用Dropout、BatchNormalization、数据增强等方法抑制过拟合

#开始训练
model=tf.keras.Sequential([
    #data_augmentation,
    tf.keras.layers.Rescaling(1/255),
    tf.keras.layers.Conv2D(64,(3,3),padding='same',activation='relu',input_shape=(150,150,3)),
    tf.keras.layers.MaxPooling2D(2,2),
   # tf.keras.layers.Dropout(rate=0.3),
    tf.keras.layers.Conv2D(128,(3,3),padding='same',activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
   # tf.keras.layers.Dropout(rate=0.2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64,activation='relu'),
   # tf.keras.layers.Dropout(rate=0.3),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(5,activation='softmax')
    ])
model.compile(loss=tf.losses.sparse_categorical_crossentropy,optimizer=tf.optimizers.RMSprop(learning_rate=0.001),metrics=['acc'])
model.build(input_shape=(3414,150,150,3))
model.summary()

 

模型训练 

#模型训练
import datetime
start_time=datetime.datetime.now()# 开始训练
history=model.fit(train_data,epochs=20,validation_data=validation_data)
end_time=datetime.datetime.now() #结束训练
cost_time=end_time-start_time #训练时长
print(f'训练时长={cost_time}')

 模型结果可视化：

#查看模型精度
acc=history.history['acc']
val_acc=history.history['val_acc']
loss=history.history['loss']
val_loss=history.history['val_loss']
x=range(len(acc))

fig,ax=plt.subplots(1,2,figsize=(15,7))
ax1=ax[0]
ax2=ax[1]

ax1.plot(x,acc,'b',label='acc')
ax1.plot(x,val_acc,'r',label='val_acc')
ax1.set_xlabel('epoch')
ax1.set_ylabel('acc/val_acc')
ax1.set_title('acc and val_acc')
ax1.legend()

ax2.plot(x,loss,'r',label='loss')
ax2.plot(x,val_loss,'y',linestyle='--',label='val_loss')
ax2.set_xlabel('epoch')
ax2.set_ylabel('loss/val_loss')
ax2.set_title('loss and val_loss')
ax2.legend()
plt.show()

 可以看出验证集精度低于训练集，模型存在过拟合，后续可继续改进网络，增强其泛化能力。