导入数据3.

二、数据预处理1、加载数据2、数据可视化3、再次检查数据4、配置数据集

三、构建CNN网络四、训练模型1、设置动态学习率2、早停与保存最佳模型参数3、模型训练

五、模型评估1、Loss与Accuracy图2、尝试更改initial_learning_rate0.0013、指定图片预测

六、总结

tf.config.list_physical_devices(GPU)if

gpus:gpu0

#如果有多个GPU仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0,

True)

#设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],GPU)2.

导入数据

len(list(data_dir.glob(*/*/*.jpg)))

print(图片总数为,image_count)输出图片总数为

578

list(data_dir.glob(train/nike/*.jpg))

PIL.Image.open(str(Monkeypox[1]))二、数据预处理

1、加载数据

使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中。

batch_size

tf.keras.preprocessing.image_dataset_from_directory(./data/train/,seed123,image_size(img_height,

img_width),batch_sizebatch_size)val_ds

tf.keras.preprocessing.image_dataset_from_directory(./data/test/,seed123,image_size(img_height,

img_width),batch_sizebatch_size)我们可以通过class_names输出数据集的标签。

标签将按字母顺序对应于目录名称。

class_names

1)plt.imshow(images[i].numpy().astype(uint8))plt.title(class_names[labels[i]])plt.axis(off)3、再次检查数据

for

train_ds:print(image_batch.shape)print(labels_batch.shape)break输出

(32,

train_ds.cache().shuffle(1000).prefetch(buffer_sizeAUTOTUNE)

val_ds

val_ds.cache().prefetch(buffer_sizeAUTOTUNE)三、构建CNN网络

关于卷积核的计算不懂的可以参考文章https://blog.csdn.net/qq_38251616/article/details/114278995layers.Dropout(0.4)

关于Dropout层的更多介绍可以参考文章https://mtyjkh.blog.csdn.net/article/details/115826689

model

models.Sequential([layers.experimental.preprocessing.Rescaling(1./255,

img_width,

卷积层2卷积核3*3layers.AveragePooling2D((2,

2)),

Flatten层连接卷积层与全连接层layers.Dense(128,

activationrelu),

全连接层特征进一步提取layers.Dense(len(class_names))

输出层输出预期结果

tf.keras.optimizers.schedules.ExponentialDecay是

TensorFlow

中的一个学习率衰减策略用于在训练神经网络时动态地降低学习率。

学习率衰减是一种常用的技巧可以帮助优化算法更有效地收敛到全局最小值从而提高模型的性能。

主要参数

initial_learning_rate初始学习率初始学习率大小。

decay_steps衰减步数学习率衰减的步数。

在经过

decay_steps

10则每10步衰减一次。

decay_rate衰减率学习率的衰减率。

它决定了学习率如何衰减。

通常取值在

之间。

staircase阶梯式衰减一个布尔值控制学习率的衰减方式。

如果设置为

True则学习率在每个

tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate,

decay_steps10,

tf.keras.optimizers.Adam(learning_ratelr_schedule)model.compile(optimizeroptimizer,losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue),metrics[accuracy])注这里设置的动态学习率为指数衰减型ExponentialDecay。

在每一个epoch开始前学习率learning_rate都将会重置为初始学习率initial_learning_rate然后再重新开始衰减。

计算公式如下

learning_rate

模式中方向会自动从被监测的数据的名字中判断出来。

baseline:

如果模型没有显示基准的改善训练将停止。

estore_best_weights:

如果为

ModelCheckpoint(best_model.h5,monitorval_accuracy,verbose1,save_best_onlyTrue,save_weights_onlyTrue)#

设置早停

EarlyStopping(monitorval_accuracy,

verbose1)3、模型训练

model.fit(train_ds,validation_dataval_ds,epochsepochs,callbacks[checkpointer,

earlystopper])Epoch

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

16/16

stopping从输出结果看到val_accuracy一直0.5000那么肯定是哪里不对了。

五、模型评估

history.history[val_accuracy]loss

val_loss

history.history[val_loss]epochs_range

range(len(loss))plt.figure(figsize(12,

4))

plt.show()2、尝试更改initial_learning_rate0.001

再次训练输出结果为

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

。

Epoch

stopping这里看到减小了initial_learning_rate后效果好了很多。

3、指定图片预测

model.load_weights(best_model.h5)from

PIL

Image.open(./data/test/nike/1.jpg)

image

expand_dims函数在索引axis处增加一个值为1的维度这里使得image变成一个一张图片的一个批次

img_array

记得做归一化处理与训练集处理方式保持一致predictions

print(预测结果为,class_names[np.argmax(predictions)])输出

1/1

学习到tensorflow中的动态学习率函数ExponentialDecay模型的初始学习率不能设置过大过大的学习率可能导致模型不收敛且模型精度太差当然也不能太小太小模型收敛慢难跳出局部最优。

学习到使模型因没有改善早结束训练函数EarlyStopping