Apprentissage profond en pratique : réseaux de neurones convolutifs pour identifier les chats et les chiens

Numéro public : You Er Hut
Auteur : Peter
Editeur : Peter

Bonjour à tous, je m'appelle Pierre ~

Cet article documente la première application basée sur les réseaux de neurones convolutifs dans le domaine de la reconnaissance d'images : la reconnaissance d'images de chats et de chiens . Le contenu principal comprend :

• traitement de l'information
• Construction d'un modèle de réseau de neurones
• Mise en œuvre de l'augmentation des données

Le framework d'apprentissage en profondeur utilisé dans cet article est Keras ;

Données d'image du site officiel de kaggle : www.kaggle.com/c/dogs-vs-c…

traitement de l'information

La quantité de données

L'ensemble de données contient 25 000 images, 12 500 pour les chats et les chiens ; créer un ensemble d'entraînement de 1 000 échantillons par catégorie, un ensemble de validation de 500 échantillons et un ensemble de test de 500 échantillons

Remarque : seule une partie des données est extraite pour la modélisation

Créer un répertoire

En 1]:

import os, shutil
复制代码

En 2]:

current_dir = !pwd  # 当前目录
current_dir[0]
复制代码

Sortie[2] :

'/Users/peter/Desktop/kaggle/kaggle_12_dogs&cats/dogs-vs-cats'
复制代码

Créez un répertoire pour stocker les ensembles de données requis :

base_dir = current_dir[0] + '/cats_dogs_small'
os.mkdir(base_dir)  # 创建目录
复制代码

# 分别创建训练集、验证集和测试集的目录

train_dir = os.path.join(base_dir,"train")
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir,"validation")
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir,"test")
os.mkdir(test_dir)

# 猫、狗的训练、验证、测试图像目录
train_cats_dir = os.path.join(train_dir, "cats")
os.mkdir(train_cats_dir)
train_dogs_dir = os.path.join(train_dir, "dogs")
os.mkdir(train_dogs_dir)

validation_cats_dir = os.path.join(validation_dir, "cats")
os.mkdir(validation_cats_dir)
validation_dogs_dir = os.path.join(validation_dir, "dogs")
os.mkdir(validation_dogs_dir)

test_cats_dir = os.path.join(test_dir, "cats")
os.mkdir(test_cats_dir)
test_dogs_dir = os.path.join(test_dir, "dogs")
os.mkdir(test_dogs_dir)
复制代码

Réplication d'ensembles de données

Dans [5] :

# 1000张当做训练集train

fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    # 源目录文件
    src = os.path.join(current_dir[0] + "/train", fname)
    # 目标目录
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)
复制代码

Dans [6] :

# 500张当做验证集valiation

fnames = ['cat.{}.jpg'.format(i) for i in range(1000,1500)]
for fname in fnames:
    src = os.path.join(current_dir[0] + "/train", fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)
复制代码

Dans [7] :

# 500张当做测试集test

fnames = ['cat.{}.jpg'.format(i) for i in range(1500,2000)]
for fname in fnames:
    src = os.path.join(current_dir[0] + "/train", fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)
复制代码

Dans [8] :

# 针对dog的3个同样操作

# 1、1000张当做训练集train
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(current_dir[0] + "/train", fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 2、500张当做验证集valiation
fnames = ['dog.{}.jpg'.format(i) for i in range(1000,1500)]
for fname in fnames:
    src = os.path.join(current_dir[0] + "/train", fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 3、500张当做测试集test
fnames = ['dog.{}.jpg'.format(i) for i in range(1500,2000)]
for fname in fnames:
    src = os.path.join(current_dir[0] + "/train", fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)
复制代码

Vérifier les données

Voyez combien d'images sont dans chaque ensemble (train, validation, test) pour les catégories chat et chien :

Construire des réseaux de neurones

Revoyez la composition du réseau de neurones convolutifs : les couches Conv2D (en utilisant la fonction d'activation relu) + les couches MaxPooling2D sont empilées en alternance .

Lorsque des images plus grandes et des problèmes plus complexes sont nécessaires, une autre couche Conv2D (utilisant la fonction d'activation relu) + couche MaxPooling2D doit être ajoutée.

Les avantages de faire cela :

• augmenter la capacité du réseau
• Réduire la taille de la carte des fonctionnalités

Il convient de noter que : la classification des chats et des chiens est un problème de classification binaire, donc la dernière couche du réseau est une seule unité activée avec sigmoïde (Couche dense de taille 1)

La profondeur de la carte des caractéristiques dans le réseau augmente progressivement (de 32 à 128), mais la taille de la carte des caractéristiques diminue progressivement (de 150-150 à 7-7)

1. Profondeur accrue : l'image d'origine est plus complexe et nécessite plus de filtres
2. Réduction de la taille : davantage de couches de convolution et de mise en commun compressent et résument l'image

Création de réseau

Dans [15] :

import tensorflow as tf
from keras import layers 
from keras import models

model = models.Sequential()
model.add(tf.keras.layers.Conv2D(32,(3,3),activation="relu",
                               input_shape=(150,150,3)))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(64,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(128,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(128,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))  # 

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(512, activation="relu"))
model.add(tf.keras.layers.Dense(1, activation="sigmoid"))

model.summary()
复制代码

Compilation de modèles (optimisation)

网络最后一层是单一sigmoid单元，使用二元交叉熵作为损失函数

In [16]:

# 原文：from keras import optimizers

from tensorflow.keras import optimizers

model.compile(loss="binary_crossentropy",
             optimizer=optimizers.RMSprop(lr=1e-4),
             metrics=["acc"])
复制代码

数据预处理

数据输入到神经网络之前必须先转成浮点数张量。

keras有个处理图像的模块：keras.preprocessing.image。

它包含ImageDataGenerator类，可以快速创建Python生成器，将图形文件处理成张量批量

插播知识点：如何理解python中的生成器？

数据预处理

1. 读取文件
2. 将文件JPEG文件转成RGB像素网络
3. 像素网格转成浮点数张量

In [18]:

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255)  # 进行缩放
test_datagen = ImageDataGenerator(rescale=1./255)  # 进行缩放

train_generator = train_datagen.flow_from_directory(
    train_dir,  # 待处理的目录
    target_size=(150,150),  # 图像大小设置
    batch_size=20,
    class_mode="binary"  # 损失函数是binary_crossentropy 所以使用二进制标签
)

validation_generator = test_datagen.flow_from_directory(
    validation_dir,  # 待处理的目录
    target_size=(150,150),  # 图像大小设置
    batch_size=20,
    class_mode="binary"  # 损失函数是binary_crossentropy 所以使用二进制标签
)
Found 2000 images belonging to 2 classes.
Found 1000 images belonging to 2 classes.
复制代码

In [19]:

for data_batch, labels_batch in train_generator:
    print(data_batch.shape)
    print(labels_batch.shape)
    break
(20, 150, 150, 3)
(20,)
复制代码

生成器的输出是150-150的RGB图像和二进制标签，形状为(20,)组成的批量。每个批量包含20个样本（批量的大小）。

生成器会不断地生成这些批量，不断地循环目标文件夹中的图像。

keras模型使用fit_generator方法来拟合生成器的效果。模型有个参数steps_per_epoch参数：从生成器中抽取steps_per_epoch个批量后，拟合进入下一轮。

本例中：总共是2000个样本，每个批量是20个样本，所以需要100个批量

模型拟合

In [20]:

history = model.fit_generator(
    train_generator,  # 第一个参数必须是Python生成器
    steps_per_epoch=100,  # 2000 / 20
    epochs=30,  # 迭代次数
    validation_data=validation_generator,  # 待验证的数据集
    validation_steps=50 
)
复制代码

保存模型

In [21]:

# 保存模型
# model.save("cats_and_dogs_small.h5")
复制代码

损失和精度曲线

In [22]:

import matplotlib.pyplot as plt
%matplotlib inline
复制代码

In [23]:

history_dict = history.history  # 字典形式
for key, _ in history_dict.items():
    print(key)
loss
acc
val_loss
val_acc
复制代码

In [24]:

acc = history_dict["acc"]
val_acc = history_dict["val_acc"]

loss = history_dict["loss"]
val_loss = history_dict["val_loss"]
复制代码

In [25]:

epochs = range(1, len(acc)+1)

# acc
plt.plot(epochs, acc, "bo", label="Training acc")
plt.plot(epochs, val_acc, "b", label="Validation acc")
plt.title("Training and Validation acc")
plt.legend()

plt.figure()

# loss
plt.plot(epochs, loss, "bo", label="Training loss")
plt.plot(epochs, val_loss, "b", label="Validation loss")
plt.title("Training and Validation loss")
plt.legend()

复制代码

小结：得到过拟合的结论

1. 随着时间的增加，训练精度在不断增加，接近100%，而验证精度则停留在70%
2. 验证的损失差不多在第6轮后达到最小值，后面一定轮数内保持不变，训练的损失一直下降，直接接近0

数据增强-data augmentation

什么是数据增强

数据增强也是解决过拟合的一种方法，另外两种是：

1. dropout
2. 权重衰减正则化

什么是数据增强：从现有的训练样本中生成更多的训练数据，利用多种能够生成可信图像的随机变化来增加数据样本。

模型在训练时候不会查看两个完全相同的图像

设置数据增强

Dans [26] :

datagen = ImageDataGenerator(
    rotation_range=40,  # 0-180的角度值
    width_shift_range=0.2,  # 水平和垂直方向的范围；相对于总宽度或者高度的比例
    height_shift_range=0.2,
    shear_range=0.2,  # 随机错切变换的角度
    zoom_range=0.2,  # 图像随机缩放的角度
    horizontal_flip=True,  # 随机将一半图像进行水平翻转
    fill_mode="nearest"  # 用于填充新创建像素的方法
)
复制代码

Afficher l'image améliorée

Dans [27] :

from keras.preprocessing import image

fnames = [os.path.join(train_cats_dir,fname) for fname in os.listdir(train_cats_dir)]
img_path = fnames[3]
复制代码

Dans [28] :

# 读取图片并调整大小
img = image.load_img(img_path, target_size=(150,150))  
# 转成数组
x = image.img_to_array(img)

# shape转成(1,150,150,3)
x = x.reshape((1,) + x.shape)

i = 0
for batch in datagen.flow(x, batch_size=1):  # 生成随机变换后的图像批量
    plt.figure()   
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i += 1
    if i % 4 == 0:
        break  # 循环是无限，需要在某个时刻终止
        
plt.show()
复制代码

Nouveaux réseaux de neurones convolutifs avec couches d'abandon

Avec l'augmentation des données pour former le réseau, le réseau ne voit pas deux fois la même entrée. Mais les entrées sont toujours fortement corrélées et ne peuvent pas éliminer complètement le surajustement.

Envisagez d'ajouter une couche de suppression avant le connecteur de classification dense

Dans [29] :

import tensorflow as tf
from keras import layers 
from keras import models

model = models.Sequential()
model.add(tf.keras.layers.Conv2D(32,(3,3),activation="relu",
                               input_shape=(150,150,3)))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(64,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(128,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))

model.add(tf.keras.layers.Conv2D(128,(3,3),activation="relu"))
model.add(tf.keras.layers.MaxPooling2D((2,2)))  # 

model.add(tf.keras.layers.Flatten())

# 添加内容 
model.add(tf.keras.layers.Dropout(0.5))

model.add(tf.keras.layers.Dense(512, activation="relu"))
model.add(tf.keras.layers.Dense(1, activation="sigmoid"))

model.compile(loss="binary_crossentropy",
             optimizer=optimizers.RMSprop(lr=1e-4),
             metrics=["acc"])
复制代码

Utilisation d'augmentateurs de données pour former des réseaux de neurones convolutifs (résolution d'erreurs)

Concernant la résolution des erreurs : nous avons 2 000 images d'entraînement, 1 000 images de validation et 1 000 images de test.

• steps_per_epoch=100, batch_size=32, donc les données doivent être 3200, évidemment les données de formation d'entrée ne suffisent pas.
• validation_steps=50, batch_size=32, donc les données doivent être 1600, évidemment les données de validation ne suffisent pas.

Par conséquent, passez à steps_per_epoch=2000/32≈63 et validation_steps=1000/32≈32.

Dans [44] :

# 训练数据的增强
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
)

# 不能增强验证数据
test_datagen = ImageDataGenerator(rescale=1.0 / 255)

train_generator = train_datagen.flow_from_directory(
    train_dir,  # 目标目录
    target_size=(150,150),  # 大小调整
    batch_size=32,
    class_mode="binary"
)

validation_generator = test_datagen.flow_from_directory(
    validation_dir,
    target_size=(150,150),
    batch_size=32,
    class_mode="binary"
)

# 优化：报错有修改
history = model.fit_generator(
    train_generator,
    # 原文 steps_per_epoch=100,
    steps_per_epoch=63,  # steps_per_epoch=2000/32≈63 取上限
    epochs=100,
    validation_data=validation_generator,
    # 原文 validation_steps=50
    validation_steps=32  # validation_steps=1000/32≈32
)
复制代码

Enregistrez le modèle :

# 保存模型
model.save("cats_and_dogs_small_2.h5")
复制代码

Courbes de perte et de précision

Dans [46] :

history_dict = history.history  # 字典形式

acc = history_dict["acc"]
val_acc = history_dict["val_acc"]
loss = history_dict["loss"]
val_loss = history_dict["val_loss"]
复制代码

Code de dessin spécifique :

epochs = range(1, len(acc)+1)

# acc
plt.plot(epochs, acc, "bo", label="Training acc")
plt.plot(epochs, val_acc, "b", label="Validation acc")
plt.title("Training and Validation acc")
plt.legend()

plt.figure()

# loss
plt.plot(epochs, loss, "bo", label="Training loss")
plt.plot(epochs, val_loss, "b", label="Validation loss")
plt.title("Training and Validation loss")
plt.legend()

plt.show()
复制代码

Conclusion : Après avoir utilisé l'augmentation des données, le modèle n'est plus ajusté et la courbe de l'ensemble d'apprentissage suit la courbe de validation ; et la précision devient également de 81 %, ce qui est amélioré par rapport à avant la régularisation.