python之tensorflow手把手实例讲解猫狗识别实现

目录

• 一，猫狗数据集数目构成

• 二，数据导入

• 三，数据集构建

• 四，模型搭建

• 五，模型训练

• 六，模型测试

作为tensorflow初学的大三学生，本次课程作业的使用猫狗数据集做一个二分类模型。

一，猫狗数据集数目构成

二，数据导入

train_dir = 'Data/train'
test_dir = 'Data/test'
validation_dir = 'Data/validation'
train_datagen = ImageDataGenerator(rescale=1/255,
                                  rotation_range=10,
                                  width_shift_range=0.2,  #图片水平偏移的角度
                                  height_shift_range=0.2,  #图片数值偏移的角度
                                  shear_range=0.2,  #剪切强度
                                  zoom_range=0.2,   #随机缩放的幅度
                                  horizontal_flip=True,   #是否进行随机水平翻转
#                                    fill_mode='nearest'
                                 )
train_generator = train_datagen.flow_from_directory(train_dir,
                (224,224),batch_size=1,class_mode='binary',shuffle=False)
test_datagen = ImageDataGenerator(rescale=1/255)
test_generator = test_datagen.flow_from_directory(test_dir,
                (224,224),batch_size=1,class_mode='binary',shuffle=True)
validation_datagen = ImageDataGenerator(rescale=1/255)
validation_generator = validation_datagen.flow_from_directory(
               validation_dir,(224,224),batch_size=1,class_mode='binary')
print(train_datagen)
print(test_datagen)
print(train_datagen)

三，数据集构建

我这里是将ImageDataGenerator类里的数据提取出来，将数据与标签分别存放在两个列表，后面在转为np.array，也可以使用model.fit_generator，我将数据放在内存为了后续调参数时模型训练能更快读取到数据，不用每次训练一整轮都去读一次数据（应该是这样的…我是这样理解…）
注意我这里的数据集构建后，三种数据都是存放在内存中的，我电脑内存是16g的可以存放下。

train_data=[]
train_labels=[]
a=0
for data_train, labels_train in train_generator:
   train_data.append(data_train)
   train_labels.append(labels_train)
   a=a+1
   if a>1999:
       break
x_train=np.array(train_data)
y_train=np.array(train_labels)
x_train=x_train.reshape(2000,224,224,3)

test_data=[]
test_labels=[]
a=0
for data_test, labels_test in test_generator:
   test_data.append(data_test)
   test_labels.append(labels_test)
   a=a+1
   if a>999:
       break
x_test=np.array(test_data)
y_test=np.array(test_labels)
x_test=x_test.reshape(1000,224,224,3)

validation_data=[]
validation_labels=[]
a=0
for data_validation, labels_validation in validation_generator:
   validation_data.append(data_validation)
   validation_labels.append(labels_validation)
   a=a+1
   if a>999:
       break
x_validation=np.array(validation_data)
y_validation=np.array(validation_labels)
x_validation=x_validation.reshape(1000,224,224,3)

四，模型搭建

model1 = tf.keras.models.Sequential([
   # 第一层卷积，卷积核为，共16个，输入为150*150*1
   tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same',input_shape=(224,224,3)),
   tf.keras.layers.MaxPooling2D((2,2)),

# 第二层卷积，卷积核为3*3，共32个，
   tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same'),
   tf.keras.layers.MaxPooling2D((2,2)),

# 第三层卷积，卷积核为3*3，共64个，
   tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same'),
   tf.keras.layers.MaxPooling2D((2,2)),

# 数据铺平
   tf.keras.layers.Flatten(),
   tf.keras.layers.Dense(64,activation='relu'),
   tf.keras.layers.Dropout(0.5),
   tf.keras.layers.Dense(1,activation='sigmoid')
])
print(model1.summary())

模型summary：

五，模型训练

model1.compile(optimize=tf.keras.optimizers.SGD(0.00001),
            loss=tf.keras.losses.binary_crossentropy,
            metrics=['acc'])
history1=model1.fit(x_train,y_train,
# validation_split=(0~1)   选择一定的比例用于验证集，可被validation_data覆盖
                 validation_data=(x_validation,y_validation),
                 batch_size=10,
                 shuffle=True,
                 epochs=10)
model1.save('cats_and_dogs_plain1.h5')
print(history1)

plt.plot(history1.epoch,history1.history.get('acc'),label='acc')
plt.plot(history1.epoch,history1.history.get('val_acc'),label='val_acc')
plt.title('正确率')
plt.legend()

可以看到我们的模型泛化能力还是有点差，测试集的acc能达到0.85以上，验证集却在0.65~0.70之前跳动。

六，模型测试

model1.evaluate(x_validation,y_validation)

最后我们的模型在测试集上的正确率为0.67，可以说还不够好，有点过拟合，可能是训练数据不够多，后续可以数据增广或者从验证集、测试集中调取一部分数据用于训练模型，可能效果好一些。

来源：https://blog.csdn.net/weixin_52612318/article/details/117376964