1-2图片数据建模流程范例 ——eat_tensorflow2_in_30_days
1-2图片数据建模流程范例
准备数据
cifar2数据集为cifar10数据集的子集，只包括前两种类别airplane和automobile。
训练集有airplane和automobile图片各5000张，测试集有airplane和automobile图片各1000张。
cifar2任务的目标是训练一个模型来对飞机airplane和机动车automobile两种图片进行分类。
我们准备的Cifar2数据集的文件结构如下所示。
在tensorflow中准备图片数据的常用方案有两种，第一种是使用tf.keras中的ImageDataGenerator工具构建图片数据生成器。
第二种是使用tf.data.Dataset搭配tf.image中的一些图片处理方法构建数据管道。
第一种方法更为简单，其使用范例可以参考以下文章。
https://zhuanlan.zhihu.com/p/67466552
第二种方法是TensorFlow的原生方法，更加灵活，使用得当的话也可以获得更好的性能。
我们此处介绍第二种方法。
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
BATCH_SIZE = 100
def load_image(img_path, size=(32, 32)):
label = tf.constant(1, tf.int8) if tf.strings.regex_full_match(img_path, '.*/automobile/.*') else tf.constant(0, tf.int8)
img = tf.io.read_file(img_path)
img = tf.image.decode_jpeg(img) # 注意此处为jpeg格式
img = tf.image.resize(img, size) / 255.0
return img, label
# 使用并行化预处理num_parallel_calls和预存数据prefetch来提升性能
ds_train = tf.data.Dataset.list_files('./data/cifar2/train/*/*.jpg') \
.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE) \
.shuffle(buffer_size=1000).batch(BATCH_SIZE) \
.prefetch(tf.data.experimental.AUTOTUNE)
ds_test = tf.data.Dataset.list_files('./data/cifar2/test/*/*.jpg') \
.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE) \
.shuffle(buffer_size=1000).batch(BATCH_SIZE) \
.prefetch(tf.data.experimental.AUTOTUNE)
%matplotlib inline
%config InlineBackend.figure_format='svg'
# 查看部分样本
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 8))
for i, (img, label) in enumerate(ds_train.unbatch().take(9)):
ax = plt.subplot(3, 3, i+1)
ax.imshow(img.numpy())
ax.set_title('label=%d' % label)
ax.set_xticks([])
ax.set_yticks([])
plt.show()
for x, y in ds_train.take(1):
print(x.shape, y.shape)
"""
(100, 32, 32, 3) (100,)
"""
定义模型
使用Keras接口有以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。
此处选择使用函数式API构建模型。
tf.keras.backend.clear_session()
inputs = layers.Input(shape=(32, 32, 3))
x = layers.Conv2D(32, kernel_size=(3, 3))(inputs)
x = layers.MaxPool2D()(x)
x = layers.Conv2D(64, kernel_size=(5, 5))(x)
x = layers.MaxPool2D()(x)
x = layers.Dropout(rate=0.1)(x)
x = layers.Flatten()(x)
x = layers.Dense(32, activation='relu')(x)
outputs = layers.Dense(1, activation='sigmoid')(x)
model = models.Model(inputs=inputs, outputs=outputs)
model.summary()
"""
Model: "model"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) [(None, 32, 32, 3)] 0
conv2d (Conv2D) (None, 30, 30, 32) 896
max_pooling2d (MaxPooling2D (None, 15, 15, 32) 0
)
conv2d_1 (Conv2D) (None, 11, 11, 64) 51264
max_pooling2d_1 (MaxPooling (None, 5, 5, 64) 0
2D)
dropout (Dropout) (None, 5, 5, 64) 0
flatten (Flatten) (None, 1600) 0
dense (Dense) (None, 32) 51232
dense_1 (Dense) (None, 1) 33
=================================================================
Total params: 103,425
Trainable params: 103,425
Non-trainable params: 0
_________________________________________________________________
"""
训练模型
训练模型通常有3种方法，内置fit方法，内置train_on_batch方法，以及自定义训练循环。此处我们选择最常用也最简单的内置fit方法。
import datetime
logdir = './data/keras_model/' + datetime.datetime.now().strftime('%Y%m%d-%H%M%S')
tensorboard_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss=tf.keras.losses.binary_crossentropy,
metrics=['accuracy']
)
history = model.fit(
ds_train, epochs=100, validation_data=ds_test, callbacks=[tensorboard_callback], workers=4
)
评估模型
from tensorboard import notebook
notebook.list()
"""
No known TensorBoard instances running.
"""
# 在tensorboard中查看模型
notebook.start('--logdir ./data/keras_model/')
import pandas as pd
dfhistory = pd.DataFrame(history.history)
dfhistory.index = range(1, len(dfhistory) + 1)
dfhistory.index.name = 'epoch'
dfhistory
%matplotlib inline
%config InlineBackend.figure_format='svg'
def plot_metric(history, metric):
train_metric = history.history[metric]
val_metric = history.history['val_'+metric]
epochs = range(1, len(train_metric) + 1)
plt.plot(epochs, train_metric, 'bo--')
plt.plot(epochs, val_metric, 'ro-')
plt.title('Training and validation' + metric)
plt.xlabel('Epochs')
plt.ylabel(metric)
plt.legend(['train'+metric, 'val_'+metric])
plt.show()
plot_metric(history, 'loss')
plot_metric(history, 'accuracy')
# 可以使用evaluate对数据进行评估
val_loss, val_accuracy = model.evaluate(ds_test, workers=4)
"""
20/20 [==============================] - 0s 1ms/step - loss: 0.4572 - accuracy: 0.9415
"""
使用模型
可以使用model.predict(ds_test)进行预测。
也可以使用model.predict_on_batch(x_test)对一个批量进行预测。
model.predict(ds_test)
"""
array([[8.90185493e-06],
[1.00000000e+00],
[1.13044905e-07],
...,
[9.99794781e-01],
[1.00000000e+00],
[5.74535251e-01]], dtype=float32)
"""
for x, y in ds_test.take(1):
print(model.predict_on_batch(x[:20]))
"""
[[9.9999905e-01]
[1.0000000e+00]
[1.0047326e-06]
[9.9995327e-01]
[1.0000000e+00]
[9.9990714e-01]
[8.5207744e-12]
[9.9999738e-01]
[1.3515292e-12]
[1.0000000e+00]
[9.7208176e-06]
[3.5574026e-09]
[9.9999535e-01]
[9.9999988e-01]
[3.8698188e-04]
[1.0000000e+00]
[1.0000000e+00]
[1.0000000e+00]
[1.7208611e-13]
[3.9723565e-04]]
"""
保存模型
推荐使用TensorFlow原生方式保存模型。
# 保存权重，该方式仅仅保存权重张量
model.save_weights('./data/tf_model_weights.ckpt', save_format='tf')
# 保存模型结构与模型参数到文件，该方式保存的模型具有跨平台性，便于部署
model.save('./data/tf_model_savedmodel/', save_format='tf')
print('export saved model.')
model_loaded = tf.keras.models.load_model('./data/tf_model_savedmodel/')
model_loaded.evaluate(ds_test)
"""
INFO:tensorflow:Assets written to: ./data/tf_model_savedmodel/assets
export saved model.
20/20 [==============================] - 0s 1ms/step - loss: 0.4572 - accuracy: 0.9415
[0.4571990370750427, 0.9415000081062317]
"""
