重学深度学习系列– CNN猫狗分类(TensorFlow2)
文章目录
一、我的环境
windows10 + pycharm ， TensorFlow2.3.0
二、工程结构
train.py – 训练
predict.py – 预测
model4.h5 是我训练过的猫狗分类的模型，可以调用predict.py直接对图片进行预测
datasets
– train 2000 训练集
— cats 1000
— dogs 1000
– validation 400 验证集
— cats 200
— dogs 200
– test 40 测试集,不参与训练，自己预测使用
— cats 20
— dogs 20
该项目已在百度网盘分享链接：
[En]
The project has been shared in Baidu online disk links:
链接：https://pan.baidu.com/s/1P9x5DscRt0LpW6GXX9uJ7g
提取码：2022
–来自百度网盘超级会员V4的分享
; 三、训练
3.1 导入库
import os
import warnings
warnings.filterwarnings("ignore")
import tensorflow as tf
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
3.2 导入数据集
由于您已经将它们按类别存储在不同的文件夹中，而这次只有两个类别，因此您可以分别加载训练集和验证集：
[En]
Since you have already stored them in different folders by category, and there are only two categories this time, you can load the training set and the verification set respectively:
base_dir = './datasets/cats_and_dogs/'
train_dir = os.path.join(base_dir, 'train')
validation_dir = os.path.join(base_dir, 'validation')
train_cats_dir = os.path.join(train_dir, 'cats')
train_dogs_dir = os.path.join(train_dir, 'dogs')
validation_cats_dir = os.path.join(validation_dir, 'cats')
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
3.3 进行数据增强
train_datagen = ImageDataGenerator(
rescale=1. / 255,
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest'
)
test_datagen = ImageDataGenerator(rescale=1. / 255)
img_size = (64, 64)
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=img_size,
batch_size=8,
class_mode='binary'
)
validation_generator = train_datagen.flow_from_directory(
validation_dir,
target_size=img_size,
batch_size=8,
class_mode='binary'
)
需要注意的是，batchsize基本上是越大越好，你的设备能支持多大就多大，并且batchsize在一定程度上还能影响你模型的准确率，一般来说batchsize越大模型收敛得越快。
3.4 构建CNN模型
这个CNN模型基本上可以说是最简单的模型了，可以利用该模型来分析一个分类任务的复杂性，如果准确率没有达到预期就可以进行进一步的调参和优化。这里我采用64×64的大小，因为太大了笔记本跑不动。另外加入了0.5的dropout可以有效地防止过拟合。（可以自己把dropout那行注释掉比较加不加的区别）。
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.5),
tf.keras.layers.Dense(1, activation='sigmoid')
])
3.5 输出网络的参数
model.summary()
3.6 配置训练的参数
model.compile(loss='binary_crossentropy', optimizer=Adam(lr=1e-4), metrics=['acc'])
3.7 开始训练
history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=100,
validation_data=validation_generator,
validation_steps=50,
verbose=2
)
3.8 将训练的结果可视化
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'b', label='Training accuracy')
plt.plot(epochs, val_acc, 'r', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'b', label='Training loss')
plt.plot(epochs, val_loss, 'r', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()
3.9 保存训练好的模型
model.save('./model.h5')
四、预测
import numpy as np
from tensorflow.keras.models import load_model
import cv2
class_dict = {0: '猫', 1: '狗'}
def predict(img_path):
model = load_model('./model4.h5')
img = cv2.imread(img_path)
img = cv2.resize(img, (64, 64))
img_RGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_nor = img_RGB / 255
img_nor = np.expand_dims(img_nor, axis=0)
y = model.predict_classes(img_nor)
print(class_dict.get(y[0][0]))
if __name__ == "__main__":
predict('./datasets/cats_and_dogs/test/cat.1500.jpg')
predict('./datasets/cats_and_dogs/test/dog.1500.jpg')
predict('./datasets/cats_and_dogs/test/dog.1504.jpg')
在预测时0之所以是猫是因为在文件夹中cat排在dog的前面，所以1就代表狗。预测时有model.predict_classes和model.predict两种不同的函数，前者直接输出种类，后者是对应one-hot格式的。实在不明白的可以查看官网的API文档。也可以参考这篇文章：https://blog.csdn.net/zds13257177985/article/details/80638384
参考文献
1.唐宇迪的b站课程
2.https://blog.csdn.net/zds13257177985/article/details/80638384
3.TensorFlowAPI文档：https://tensorflow.google.cn/versions/r2.3/api_docs
Original: https://blog.csdn.net/Aiden_yan/article/details/123184847
Author: 三个臭皮姜
Title: 重学深度学习系列– CNN猫狗分类(TensorFlow2)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/513952/
转载文章受原作者版权保护。转载请注明原作者出处！