Kaggle コンペティション「TPU での花の分類」では、TPU を使用して 104 種類の花の中国語のアノテーションを分類 [深層学習 TPU+TensorFlow2+Keras+ResNet]

データセット:
12753 のトレーニング画像、3712 の検証画像、7382 のラベルなしテスト画像選択され
たデータは次のとおりです:
このコンテストでは、5 つの異なる公開データセットの花の画像に基づいて 104 の花の種を分類します。カテゴリによっては、特定の花のサブカテゴリが 1 つだけ含まれる非常に狭いもの (例: ピンクのサクラソウ) もあれば、多くのサブカテゴリ (例: 野生のバラ) が含まれるカテゴリもあります。
このコンテストが異なるのは、画像が TFRecord 形式で提供されることです。TFRecord 形式は、トレーニングパフォーマンスを最適化するためにデータファイルをグループ化およびシャーディングするために Tensorflow で頻繁に使用されるコンテナ形式です。各ファイルには、多くの画像の ID、ラベル (トレーニングデータに使用されるサンプルデータ)、および img (配列形式の実際のピクセル) 情報が含まれています。

train/*.tfrec - ラベルを含むトレーニングセット。
val/*.tfrec - 検証セット。TPU でのモデルのパフォーマンスを確認するのに役立つラベル付きの事前分割トレーニングサンプル。このセグメンテーションはタグによって階層化されています。
test/*.tfrec - テストセット、ラベルのないサンプル - これらの花がどのクラスに属するかを予測します。
Sample_submission.csv - 適切にフォーマットされたサンプル送信ファイル
- id - 各サンプルの一意の ID。
- (トレーニングデータ内で) サンプルが表す花のクラスにラベルを付けます。

競争の最終スコアは、指定されたテストセット (取得できるテストデータ) の 70% と、その他のテストセットの 30% によって決まります。私たちのモデルは、これら 70% では良好なパフォーマンスを発揮する可能性がありますが、残りの 30% ではパフォーマンスが良くありません。そのため、「提出物のスコアが自分のテストのスコアよりも低い可能性があります」という結果になります。

1 必要なライブラリをインポートする

# 导入需要的包
import math, re, os
import tensorflow as tf
import numpy as np
from matplotlib import pyplot as plt
from kaggle_datasets import KaggleDatasets # Kaggle数据集
from tensorflow.keras.applications import EfficientNetB7   # 导入efficientnet模型
# 从python的sklearn机器学习中导入f1值、精度、召回率和混淆矩阵
from sklearn.metrics import f1_score, precision_score, recall_score, confusion_matrix  

print("Tensorflow version " + tf.__version__) # 检查tensorflow的版本

2 TPU環境の検出

try:
    # TPU检测。 如果设置了TPU_NAME环境变量，则不需要任何参数。 在Kaggle上，情况总是如此。
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver()  # 获取默认的 TensorFlow 分布式策略
    print('Running on TPU ', tpu.master())
except ValueError:
    tpu = None

if tpu:
    tf.config.experimental_connect_to_cluster(tpu)  # 连接到TPU集群
    tf.tpu.experimental.initialize_tpu_system(tpu)  # 连接到TPU系统
    strategy = tf.distribute.TPUStrategy(tpu)  # 创建TPU分布式策略
else:
    strategy = tf.distribute.get_strategy() # Tensorflow 中的默认分配策略。 适用于 CPU 和单 GPU。

print("REPLICAS: ", strategy.num_replicas_in_sync) # 输出副本数

Running on TPU  
INFO:tensorflow:Deallocate tpu buffers before initializing tpu system.
INFO:tensorflow:Initializing the TPU system: local
INFO:tensorflow:Finished initializing TPU system.
INFO:tensorflow:Found TPU system:
INFO:tensorflow:*** Num TPU Cores: 8
INFO:tensorflow:*** Num TPU Workers: 1
INFO:tensorflow:*** Num TPU Cores Per Worker: 8
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:0, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:1, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:2, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:3, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:4, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:5, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:6, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:7, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU_SYSTEM:0, TPU_SYSTEM, 0, 0)
REPLICAS:  8

3 TPU、アクセスパスなどを設定します。

AUTO = tf.data.experimental.AUTOTUNE # 让程序自动选择最优的线程并行个数

# 从TPU创建部署
tpu = tf.distribute.cluster_resolver.TPUClusterResolver() # 如果先前设置好了ＴＰＵ＿ＮＡＭＥ环境变量，不需要再给参数．
tf.config.experimental_connect_to_cluster(tpu) # 配置实验连接到群集
tf.tpu.experimental.initialize_tpu_system(tpu) # 初始化tpu系统
strategy = tf.distribute.TPUStrategy(tpu) # 设置TPU部署

# 比赛数据访问
# TPU直接从Google Cloud Storage（GCS）读取数据。
# 该Kaggle实用程序会将数据集复制到与TPU并置的GCS存储桶中。
# 如果笔记本有多个数据集，
# 您可以将特定数据集的名称传递给get_gcs_path函数。
# 数据集的名称是其安装目录的名称。
# 使用！ls / kaggle / input /列出附加的数据集。

GCS_DS_PATH = KaggleDatasets().get_gcs_path() #设置Kaggle数据的访问路径

# Configuration

IMAGE_SIZE = [512, 512] # 输入图像尺寸
EPOCHS = 20 # 配置模型训练的轮次
BATCH_SIZE = 16 * strategy.num_replicas_in_sync # 设置每个小批量的大小

INFO:tensorflow:Deallocate tpu buffers before initializing tpu system.
WARNING:tensorflow:TPU system local has already been initialized. Reinitializing the TPU can cause previously created variables on TPU to be lost.
INFO:tensorflow:Initializing the TPU system: local
INFO:tensorflow:Finished initializing TPU system.
INFO:tensorflow:Found TPU system:
INFO:tensorflow:*** Num TPU Cores: 8
INFO:tensorflow:*** Num TPU Workers: 1
INFO:tensorflow:*** Num TPU Cores Per Worker: 8
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:CPU:0, CPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:0, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:1, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:2, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:3, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:4, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:5, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:6, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU:7, TPU, 0, 0)
INFO:tensorflow:*** Available Device: _DeviceAttributes(/job:localhost/replica:0/task:0/device:TPU_SYSTEM:0, TPU_SYSTEM, 0, 0)
get_gcs_path is not required on TPU VMs which can directly use Kaggle datasets, using path: /kaggle/input/tpu-getting-started

# 配置不同大小图片的路径
GCS_PATH_SELECT = { # available image sizes
    192: GCS_DS_PATH + '/tfrecords-jpeg-192x192',
    224: GCS_DS_PATH + '/tfrecords-jpeg-224x224',
    331: GCS_DS_PATH + '/tfrecords-jpeg-331x331',
    512: GCS_DS_PATH + '/tfrecords-jpeg-512x512'
}
GCS_PATH = GCS_PATH_SELECT[IMAGE_SIZE[0]]

TRAINING_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/train/*.tfrec') # 训练集路径
VALIDATION_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/val/*.tfrec') # 验证集路径
TEST_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/test/*.tfrec') # 测试集路径 predictions on this dataset should be submitted for the competition

Kaggle は、このコンテスト用に 4 つの異なるサイズのデータセットを提供しています。この記事で選択したサイズは 512x512 です。

# 104种花的名称
CLASSES = ['pink primrose',    'hard-leaved pocket orchid', 'canterbury bells', 'sweet pea',     'wild geranium',     'tiger lily',           'moon orchid',              'bird of paradise', 'monkshood',        'globe thistle',         # 00 - 09
           'snapdragon',       "colt's foot",               'king protea',      'spear thistle', 'yellow iris',       'globe-flower',         'purple coneflower',        'peruvian lily',    'balloon flower',   'giant white arum lily', # 10 - 19
           'fire lily',        'pincushion flower',         'fritillary',       'red ginger',    'grape hyacinth',    'corn poppy',           'prince of wales feathers', 'stemless gentian', 'artichoke',        'sweet william',         # 20 - 29
           'carnation',        'garden phlox',              'love in the mist', 'cosmos',        'alpine sea holly',  'ruby-lipped cattleya', 'cape flower',              'great masterwort', 'siam tulip',       'lenten rose',           # 30 - 39
           'barberton daisy',  'daffodil',                  'sword lily',       'poinsettia',    'bolero deep blue',  'wallflower',           'marigold',                 'buttercup',        'daisy',            'common dandelion',      # 40 - 49
           'petunia',          'wild pansy',                'primula',          'sunflower',     'lilac hibiscus',    'bishop of llandaff',   'gaura',                    'geranium',         'orange dahlia',    'pink-yellow dahlia',    # 50 - 59
           'cautleya spicata', 'japanese anemone',          'black-eyed susan', 'silverbush',    'californian poppy', 'osteospermum',         'spring crocus',            'iris',             'windflower',       'tree poppy',            # 60 - 69
           'gazania',          'azalea',                    'water lily',       'rose',          'thorn apple',       'morning glory',        'passion flower',           'lotus',            'toad lily',        'anthurium',             # 70 - 79
           'frangipani',       'clematis',                  'hibiscus',         'columbine',     'desert-rose',       'tree mallow',          'magnolia',                 'cyclamen ',        'watercress',       'canna lily',            # 80 - 89
           'hippeastrum ',     'bee balm',                  'pink quill',       'foxglove',      'bougainvillea',     'camellia',             'mallow',                   'mexican petunia',  'bromelia',         'blanket flower',        # 90 - 99
           'trumpet creeper',  'blackberry lily',           'common tulip',     'wild rose']

4 補助機能

4.1 可視化機能

# 展示训练和验证曲线，也就是损失和准确率随轮次的变化
def display_training_curves(training, validation, title, subplot):
    if subplot % 10 == 1: # 在第一次调用该函数时设置子图
        plt.subplots(figsize=(10,10), facecolor='#F0F0F0')
        plt.tight_layout()  # 使子图排列紧密
    ax = plt.subplot(subplot) # 设置子图
    ax.set_facecolor('#F8F8F8') # 设置背景颜色
    ax.plot(training) # 画训练集的曲线
    ax.plot(validation) # 画测试集的曲线
    ax.set_title('model '+ title)
    ax.set_ylabel(title) # 设置y轴标题
#     ax.set_ylim(0.28,1.05) # 设置y轴刻度范围
    ax.set_xlabel('epoch') # 设置x轴标题
    ax.legend(['train', 'valid.']) # 设置图例
    
# 绘制混淆矩阵
def display_confusion_matrix(cmat, score, precision, recall):
    plt.figure(figsize=(15,15))  # 设置画布大小
    ax = plt.gca() # 返回当前axes(matplotlib.axes.Axes) 获取当前子图
    ax.matshow(cmat, cmap='Reds') # 绘制矩阵
    ax.set_xticks(range(len(CLASSES)))  # 根据花朵类别数（其实就是104）设置x轴范围
    ax.set_xticklabels(CLASSES, fontdict={'fontsize': 7}) # 设置x轴下标字体的大小
    plt.setp(ax.get_xticklabels(), rotation=45, ha="left", rotation_mode="anchor") # 更换x轴下标角度
    ax.set_yticks(range(len(CLASSES)))  # 根据花朵类别数（其实就是104）设置y轴范围
    ax.set_yticklabels(CLASSES, fontdict={'fontsize': 7}) # 设置y轴下标字体的大小
    plt.setp(ax.get_yticklabels(), rotation=45, ha="right", rotation_mode="anchor") # 更换y轴下标角度
    titlestring = ""
    if score is not None:
        titlestring += 'f1 = {:.3f} '.format(score) # 更改格式为有3位小数的浮点数
    if precision is not None:
        titlestring += '\nprecision = {:.3f} '.format(precision) # 更改格式为有3位小数的浮点数
    if recall is not None:
        titlestring += '\nrecall = {:.3f} '.format(recall) # 更改格式为有3位小数的浮点数
    if len(titlestring) > 0:
        ax.text(101, 1, titlestring, fontdict={'fontsize': 18, 'horizontalalignment':'right', 'verticalalignment':'top', 'color':'#804040'}) #添加文本注释
    plt.show()

# 设置numpy数组基本属性，设置显示15个数字，用于插入换行符的每行字符数（默认为75）。
# 当数组数目过大时，设置显示几个数字，其余用省略号
# 用于插入换行符的每行字符数（默认为75）。
np.set_printoptions(threshold=15, linewidth=80)

# 将小批量图片和标签处理为numpy向量格式
def batch_to_numpy_images_and_labels(data):
    images, labels = data 
    numpy_images = images.numpy() # 将图像转换为numpy向量格式
    numpy_labels = labels.numpy() # 将label标签转换为numpy向量格式
    if numpy_labels.dtype == object: # 在这种情况下为二进制字符串，它们是图像ID字符串
        numpy_labels = [None for _ in enumerate(numpy_images)]
    # 如果没有标签，只有图像ID，则对标签返回None（测试数据就是这种情况）
    return numpy_images, numpy_labels

# 把实际类型和模型预测出来的模型一起显示在图片上方，这是用给验证集的，当对验证集预测完标签后和验证集的实际标签进行比较
# label,图片中花朵的实际类别
# current_label，当前我们预测的类别
def title_from_label_and_target(label, current_label):
    # 如果没有预测的类别，则返回实际类别，比如训练集
    if current_label is None:
        return CLASSES[label], True
    current = (label == current_label) # 判断一下实际类别和我们预测的类别是否一致
    # 如果一致，则返回OK，不一致则返回NO加实际类别
    return "{} [{}{}{}]".format(CLASSES[label], 'OK' if current else 'NO', u"\u2192" if not current else '',
                                CLASSES[current_label] if not current else ''), current

# 绘制一朵花
def display_one_flower(image, title, subplot, red=False, titlesize=16):
    plt.subplot(*subplot)
    plt.axis('off') # 不显示坐标尺寸
    plt.imshow(image) # 函数负责对图像进行处理，并显示其格式；而plt.show()则是将plt.imshow()处理后的函数显示出来。
    if len(title) > 0:
        #绘制图片的标题
        plt.title(title, fontsize=int(titlesize) if not red else int(titlesize/1.2), color='red' if red else 'black', 
                  fontdict={'verticalalignment':'center'}, pad=int(titlesize/1.5))
    return (subplot[0], subplot[1], subplot[2]+1)
    
# 展示小批量图片，我们在下面的代码中经常展示20张照片
def display_batch_of_images(databatch, predictions=None):
    """This will work with:
    display_batch_of_images(images)    只展示图片 测试集需要这个
    display_batch_of_images(images, predictions) 展示图片加预测的类别 测试集需要这个
    display_batch_of_images((images, labels)) 展示图片加实际标签 训练集需要这个
    display_batch_of_images((images, labels), predictions) #展示图片+实际类别+预测类别 验证集需要这个，因为验证集既有实际标签，也会进行预测
    """
    # 读取图片和实际标签数据，而且这些数据被转换成numpy向量的格式
    images, labels = batch_to_numpy_images_and_labels(databatch)
    # 如果没有实际标签，比如测试集，那么我们需要将labels变量设为每个元素都为none
    if labels is None:
        labels = [None for _ in enumerate(images)]
        
    # 删除不适合矩形的数据，即一次只显示正好满足矩形数量的图片
    rows = int(math.sqrt(len(images)))
    cols = len(images) // rows
        
    # 画布大小和间距
    FIGSIZE = 13.0
    SPACING = 0.1
    subplot=(rows,cols,1)
    if rows < cols:
        # 如果行大于列
        plt.figure(figsize=(FIGSIZE, FIGSIZE / cols * rows))
    else:
        plt.figure(figsize=(FIGSIZE / rows * cols, FIGSIZE))
    
    # 显示
    for i, (image, label) in enumerate(zip(images[:rows * cols], labels[:rows * cols])):
        title = '' if label is None else CLASSES[label]
        correct = True
        if predictions is not None:
            title, correct = title_from_label_and_target(predictions[i], label)
        dynamic_titlesize = FIGSIZE * SPACING / max(rows,cols) * 40 + 3 # 经过测试可以在1x1到10x10图像上工作的魔术公式
        subplot = display_one_flower(image, title, subplot, not correct, titlesize=dynamic_titlesize)
    
    # 布局
    plt.tight_layout()
    if label is None and predictions is None:
        plt.subplots_adjust(wspace=0, hspace=0)
    else:
        plt.subplots_adjust(wspace=SPACING, hspace=SPACING)
    plt.show()

4.2 データセット関数

# 准备图像数据
def decode_image(image_data):
    image = tf.image.decode_jpeg(image_data, channels=3) # 将图片解码
    # 之前训练图像保存在一个 uint8 类型的数组中，取值区间为 [0, 255]。我们需要将其变换为一个 float32 数组，其新取值范围为 0~1。
    # 将图片转换为[0，1]范围内的浮点数
    image = tf.cast(image, tf.float32) / 255.0  
    image = tf.reshape(image, [*IMAGE_SIZE, 3]) # TPU所需的精确的大小
    return image

# 读取带有标签的TFRecord 格式文件
def read_labeled_tfrecord(example):
    LABELED_TFREC_FORMAT = {
        "image": tf.io.FixedLenFeature([], tf.string), # tf.string means bytestring
        "class": tf.io.FixedLenFeature([], tf.int64),  # shape [] means single element
    }
    example = tf.io.parse_single_example(example, LABELED_TFREC_FORMAT)
    image = decode_image(example['image'])
    label = tf.cast(example['class'], tf.int32)
    return image, label # returns a dataset of (image, label) pairs

# 读取没有标签的TFRecord 格式文件
def read_unlabeled_tfrecord(example):
    UNLABELED_TFREC_FORMAT = {
        "image": tf.io.FixedLenFeature([], tf.string), # tf.string means bytestring
        "id": tf.io.FixedLenFeature([], tf.string),  # shape [] means single element
        # class is missing, this competitions's challenge is to predict flower classes for the test dataset
    }
    example = tf.io.parse_single_example(example, UNLABELED_TFREC_FORMAT)
    image = decode_image(example['image'])
    idnum = example['id']
    return image, idnum # returns a dataset of image(s)

# 加载数据集
# 这三个参数分别为：文件路径、是否有标签、是否按顺序（就是要不要把数据顺序打乱）
def load_dataset(filenames, labeled=True, ordered=False):
    # 从TFRecords读取。 为了获得最佳性能，请一次从多个文件中读取数据，而不考虑数据顺序。 顺序无关紧要，因为无论如何我们都会对数据进行混洗。
    ignore_order = tf.data.Options()
    if not ordered:
        ignore_order.experimental_deterministic = False # 禁用顺序，提高速度

    dataset = tf.data.TFRecordDataset(filenames, num_parallel_reads=AUTO)  # 自动交错读取多个文件
    dataset = dataset.with_options(ignore_order) # 在流入数据后立即使用数据，而不是按原始顺序使用
    dataset = dataset.map(read_labeled_tfrecord if labeled else read_unlabeled_tfrecord, num_parallel_calls=AUTO)
    # 如果标记为True则返回（图像，label）对的数据集，如果标记为False，则返回（图像，id）对的数据集
    return dataset

# 按水平 (从左向右) 随机翻转图像.返回图片的参数image和label
def data_augment(image, label, seed=2020):
    # TensorFlow函数：tf.image.random_flip_left_right
    # 按水平 (从左向右) 随机翻转图像.
    # 以1比2的概率,输出image沿着第二维翻转的内容,即,width.否则按原样输出图像.
    # 参数：
    # image：形状为[height, width, channels]的三维张量.
    # seed：一个Python整数,用于创建一个随机种子.查看tf.set_random_seed行为.
    # 返回：一个与image具有相同类型和形状的三维张量.
    image = tf.image.random_flip_left_right(image, seed=seed)
    
#     image = tf.image.random_flip_up_down(image, seed=seed)
#     image = tf.image.random_brightness(image, 0.1, seed=seed)
#     image = tf.image.random_jpeg_quality(image, 85, 100, seed=seed)
#     image = tf.image.random_saturation(image, 0, 2)
    return image, label   

# 获取训练集
def get_training_dataset():
    # 加载训练集，第一个参数为训练集路径，第二个参数表示有标签
    dataset = load_dataset(TRAINING_FILENAMES, labeled=True)
    # 将数据转换并行化
    # num_parallel_calls 参数选择最佳值取决于您的硬件、训练数据的特征（例如其大小和形状）、Map 功能的成本以及在 CPU 上同时进行的其他处理；
    dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
    # 重复此数据集count次数
    # 函数形式：repeat(count=None)
    # 参数count:(可选）表示数据集应重复的次数。默认行为（如果count是None或-1）是无限期重复的数据集。
    dataset = dataset.repeat() # 数据集必须重复几个轮次
    dataset = dataset.shuffle(2048) # 将数据打乱，括号中数值越大，混乱程度越大
    dataset = dataset.batch(BATCH_SIZE) # 按照顺序将小批量中样本数目行数据合成一个小批量，最后一个小批量可能小于20
    # pipeline（管道）读取数据，在训练时预取下一批（自动调整预取缓冲区大小）
    dataset = dataset.prefetch(AUTO) 
    return dataset

# 获取验证集
def get_validation_dataset(ordered=False):
    # 加载验证集，第一个参数为验证集路径，第二个参数表示有标签，第三个参数为不按照顺序
    dataset = load_dataset(VALIDATION_FILENAMES, labeled=True, ordered=ordered)
    dataset = dataset.batch(BATCH_SIZE) ## 按照顺序将小批量中样本数目行数据合成一个小批量，最后一个小批量可能小于20
    dataset = dataset.cache() # 使用.cache()方法：当计算缓存空间足够时，将preprocess的数据存储在缓存空间中将大幅提高计算速度。
    # pipeline（管道）读取数据，在训练时预取下一批（自动调整预取缓冲区大小）
    dataset = dataset.prefetch(AUTO)  
    return dataset

# 将训练集和验证集合并
def get_train_valid_datasets():
    dataset = load_dataset(TRAINING_FILENAMES + VALIDATION_FILENAMES, labeled=True)
    # 将数据转换并行化
    # 加载训练集，第一个参数为训练集路径，第二个参数表示有标签
    dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
    # 重复此数据集count次数
    # 函数形式：repeat(count=None)
    # 参数count:(可选）表示数据集应重复的次数。默认行为（如果count是None或-1）是无限期重复的数据集。
    dataset = dataset.repeat() # 数据集必须重复几个轮次
    dataset = dataset.shuffle(2048) # 将数据打乱，括号中数值越大，混乱程度越大
    dataset = dataset.batch(BATCH_SIZE)
    # pipeline（管道）读取数据，在训练时预取下一批（自动调整预取缓冲区大小）
    dataset = dataset.prefetch(AUTO)
    return dataset

# 获取测试集
def get_test_dataset(ordered=False):
    dataset = load_dataset(TEST_FILENAMES, labeled=False, ordered=ordered)
    dataset = dataset.batch(BATCH_SIZE)
    # pipeline（管道）读取数据，在训练时预取下一批（自动调整预取缓冲区大小）
    dataset = dataset.prefetch(AUTO)
    return dataset

# 计算数据集样本数目
def count_data_items(filenames):
    # 数据集的数量以.tfrec文件的名称编写，即flowers00-230.tfrec = 230个数据项
    n = [int(re.compile(r"-([0-9]*)\.").search(filename).group(1)) for filename in filenames]
    return np.sum(n)

データセットでデータ拡張を使用すると、モデルをより堅牢にすることができ、つまりモデルのパフォーマンスを向上させることができます。ただし、Kaggle が提供する無料の TPU のメモリでは、拡張データセットを正常にロードするには十分ではないため、この記事では、通常にロードできるデータ拡張データセットの定義のみを保持します。メモリが大きい場合は、削除できます。

4.3 モデル関数

# LearningRate Function 自己编写的学习率函数
def lrfn(epoch):
    LR_START = 0.00001 # 初始学习率
    LR_MAX = 0.00005 * strategy.num_replicas_in_sync # 最大学习率
    LR_MIN = 0.00001 # 最小学习率
    LR_RAMPUP_EPOCHS = 5  # 学习率从初始值线性增加到最大值的轮次数
    LR_SUSTAIN_EPOCHS = 0  # 学习率保持在最大值的轮次数
    LR_EXP_DECAY = .8  # 学习率从最大值指数衰减到最小值的衰减率
    
    if epoch < LR_RAMPUP_EPOCHS:
        lr = (LR_MAX - LR_START) / LR_RAMPUP_EPOCHS * epoch + LR_START
    elif epoch < LR_RAMPUP_EPOCHS + LR_SUSTAIN_EPOCHS:
        lr = LR_MAX
    else:
        lr = (LR_MAX - LR_MIN) * LR_EXP_DECAY ** (epoch - LR_RAMPUP_EPOCHS - LR_SUSTAIN_EPOCHS) + LR_MIN
    return lr

4.4 データと視覚化

# 数据展示
print("Training data shapes:")
# 输出训练集前3个小批量的图像数据形状、标签形状
for image, label in get_training_dataset().take(3):
    print(image.numpy().shape, label.numpy().shape)
# 训练数据标签示例
print("Training data label examples:", label.numpy())

print("Validation data shapes:")
# 输出验证集前3个小批量的图像数据形状、标签形状
for image, label in get_validation_dataset().take(3):
    print(image.numpy().shape, label.numpy().shape)
# 验证数据标签示例
print("Validation data label examples:", label.numpy())

print("Test data shapes:")
# 输出测试集前3个小批量的图像数据形状、标签形状
for image, idnum in get_test_dataset().take(3):
    print(image.numpy().shape, idnum.numpy().shape)
# 测试集的id示例
print("Test data IDs:", idnum.numpy().astype('U')) # U=unicode string

Training data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Training data label examples: [79 45 80 ... 74 62 32]
Validation data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Validation data label examples: [103  47  53 ...  45  87  73]
Test data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Test data IDs: ['3da7e8585' '705344bd8' '03c9840a9' ... '44e4c1b98' '6939eb499' 'eb64f3c3f']

# 查看训练集
training_dataset = get_training_dataset() # 获取训练集
training_dataset = training_dataset.unbatch().batch(20) # 将训练集分成大小为20的小批量
train_batch = iter(training_dataset) # 首先获得Iterator对象

# 再次运行该单元格以获取下一组图像
display_batch_of_images(next(train_batch))

# 查看测试集
test_dataset = get_test_dataset() #通过一个函数来获取测试集
test_dataset = test_dataset.unbatch().batch(20) # 将训练集分成大小为20的小批量
test_batch = iter(test_dataset) # 首先获得Iterator对象

# 再次运行该单元格以获取下一组图像
display_batch_of_images(next(test_batch))

5. トレーニングモデル

NUM_TRAINING_IMAGES = count_data_items(TRAINING_FILENAMES) # 训练集样本数目
NUM_VALIDATION_IMAGES = count_data_items(VALIDATION_FILENAMES) # 验证集样本数目
NUM_TEST_IMAGES = count_data_items(TEST_FILENAMES) # 测试集样本数目
STEPS_PER_EPOCH = NUM_TRAINING_IMAGES // BATCH_SIZE # 每轮次中的步数=训练集样本数除以每个小批量中样本数目
# 输出训练集、验证集和测试集的数目
print('Dataset: {} training images, {} validation images, {} unlabeled test images'.format(NUM_TRAINING_IMAGES, NUM_VALIDATION_IMAGES, NUM_TEST_IMAGES))

Dataset: 12753 training images, 3712 validation images, 7382 unlabeled test images

5.1 モデルを作成して TPU にロードする

この記事では、比較のために EfficientNetB4、EfficientNetB7、ResNet50、および ResNet101 モデルを選択しました。このデータセットにおけるこれら 4 つのモデルのパフォーマンスは非常に優れています (精度率は 100% に達します) が、送信後、ResNet シリーズモデルが最高のパフォーマンス (精度率は 95% に近い) であることが判明しました。 EfficientNetB4 のパフォーマンスは最高ですが、悪い (精度率はわずか 80%+)。(異なるモデルを使用する場合、モデル定義のコードのみが異なります。ここでは ResNet101 モデルで定義されたコードのみを示します。読者は他のモデル定義コードをコピーして自分で置き換えることができます)

from tensorflow.keras.layers import GlobalAveragePooling2D, Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import SparseCategoricalCrossentropy
from tensorflow.keras.metrics import SparseCategoricalAccuracy


# 创建模型并加载到TPU
with strategy.scope():
    # 创建ResNet-101模型，并加载预训练权重
    resnet101 = tf.keras.applications.ResNet101(weights='imagenet', include_top=False, input_shape=(512, 512, 3))
    
    # 创建模型
    model = tf.keras.Sequential([ #Sequential类（仅用于层的线性堆叠，这是目前最常见的网络架构）
        resnet101, # ResNet101模型
        tf.keras.layers.GlobalAveragePooling2D(), #全局平均池
        # len(CLASSES)：表示这个层将返回一个大小为类别个数（104）的张量
        # activation='softmax'：表示这个层将返回图片在104个类别上的概率，其中最大的概率表示这个图片的预测类别
        # softmax激活函数的本质就是将一个K维的任意实数向量压缩（映射）成另一个K维的实数向量，其中向量中的每个元素取值都介于（0，1）之间并且和为1。
        # 在多分类单标签问题中，可以用softmax作为最后的激活层，取概率最高的作为结果
        tf.keras.layers.Dense(len(CLASSES), activation='softmax')
    ])
    
    # 编译模型
    model.compile(
        optimizer=tf.keras.optimizers.Adam(), #优化器：Adam 是一种可以替代传统随机梯度下降（SGD）过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重
        # 损失函数：
        # 对于多分类问题，可以用分类交叉熵（categorical crossentropy）或稀疏分类交叉熵（sparse_categorical_crossentropy）损失函数
        # 这个sparse_categorical_crossentropy损失函数在数学上与 categorical_crossentropy 完全相同，
        # 如果目标是 one-hot 编码的，那么使用 categorical_crossentropy 作为损失；
        # 如果目标是整数，那么使用 sparse_categorical_crossentropy 作为损失。
        loss = SparseCategoricalCrossentropy(),, 
        metrics=[SparseCategoricalAccuracy()] # 监控指标：分类准确率
    )

    # 输出模型摘要
    model.summary()

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 resnet101 (Functional)      (None, 16, 16, 2048)      42658176  
                                                                 
 global_average_pooling2d_1   (None, 2048)             0         
 (GlobalAveragePooling2D)                                        
                                                                 
 dense_1 (Dense)             (None, 104)               213096    
                                                                 
=================================================================
Total params: 42,871,272
Trainable params: 42,765,928
Non-trainable params: 105,344
_________________________________________________________________

# scheduler = tf.keras.callbacks.ReduceLROnPlateau(patience=3, verbose=1)
# 作为回调函数的一员,LearningRateScheduler 可以按照epoch的次数自动调整学习率,
# 参数：
# schedule：一个函数，它将一个epoch索引作为输入（整数，从0开始索引）并返回一个新的学习速率作为输出（浮点数）。
# 我们这里用lrfn（epoch）函数
# verbose：int；当其为0时，保持安静；当其为1时，表示更新消息。
lr_schedule = tf.keras.callbacks.LearningRateScheduler(lrfn, verbose=1) 

# 训练模型
history = model.fit(
    get_train_valid_datasets(),  # 获取训练集
    steps_per_epoch=STEPS_PER_EPOCH, # 设置每轮的步数
    epochs=EPOCHS,  # 设置轮次
    callbacks=[lr_schedule], # 设置回调函数
    validation_data=get_validation_dataset() # 设置验证集
)

5.2 損失関数を描く

# 画出训练集和验证集随轮次变化的损失和准确率
display_training_curves(history.history['loss'], history.history['val_loss'], 'loss', 211) #损失曲线
display_training_curves(history.history['sparse_categorical_accuracy'], history.history['val_sparse_categorical_accuracy'], 'accuracy', 212) #准确率曲线

5.3 混同行列を描く

# 因为我们要分割数据集并分别对图像和标签进行迭代，所以顺序很重要。
cmdataset = get_validation_dataset(ordered=True)  # 验证集
images_ds = cmdataset.map(lambda image, label: image)  # 图像集
labels_ds = cmdataset.map(lambda image, label: label).unbatch() # 标签集 
cm_correct_labels = next(iter(labels_ds.batch(NUM_VALIDATION_IMAGES))).numpy() # get everything as one batch
cm_probabilities = model.predict(images_ds) # 图片在104个类别上的概率
cm_predictions = np.argmax(cm_probabilities, axis=-1) # 其中最大的概率表示这个图片的预测类别
print("Correct   labels: ", cm_correct_labels.shape, cm_correct_labels) # 输出正确（实际）标签的形状、输出正确标签 
print("Predicted labels: ", cm_predictions.shape, cm_predictions) # 输出预测标签的形状、输出预测标签

2023-09-27 08:42:12.612798: E tensorflow/core/grappler/optimizers/meta_optimizer.cc:954] model_pruner failed: INVALID_ARGUMENT: Graph does not contain terminal node AssignAddVariableOp.
2023-09-27 08:42:13.347883: E tensorflow/core/grappler/optimizers/meta_optimizer.cc:954] model_pruner failed: INVALID_ARGUMENT: Graph does not contain terminal node AssignAddVariableOp.
29/29 [==============================] - 57s 387ms/step
Correct   labels:  (3712,) [74 82 62 ... 67 50 53]
Predicted labels:  (3712,) [74 82 62 ... 67 50 53]

# 计算混淆矩阵
# 参数为实际标签和预测的标签
cmat = confusion_matrix(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)))
# 计算f1分数
score = f1_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 计算精确率
precision = precision_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 计算召回率
recall = recall_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 归一化
cmat = (cmat.T / cmat.sum(axis=1)).T # normalized
# 绘制混淆矩阵
display_confusion_matrix(cmat, score, precision, recall)
# 输出f1分数、精确率、召回率
print('f1 score: {:.3f}, precision: {:.3f}, recall: {:.3f}'.format(score, precision, recall))

5.4 予測

# 因为我们要分割数据集并分别对图像和ID进行迭代，所以顺序很重要。
test_ds = get_test_dataset(ordered=True) # 测试集

# 对测试集进行预测
print('Computing predictions...')
test_images_ds = test_ds.map(lambda image, idnum: image) #测试集的图片
probabilities = model.predict(test_images_ds) # 图片在104个类别上的概率
predictions = np.argmax(probabilities, axis=-1) # 其中最大的概率表示这个图片的预测类别
print(predictions) # 输出预测类别

# 生成提交文件
print('Generating submission.csv file...')
test_ids_ds = test_ds.map(lambda image, idnum: idnum).unbatch() #测试集的id
test_ids = next(iter(test_ids_ds.batch(NUM_TEST_IMAGES))).numpy().astype('U') # 准换id的数据类型 # all in one batch

# 第一种存储文件方式，不需要pandas
# np.savetxt('submission.csv', np.rec.fromarrays([test_ids, predictions]), fmt=['%s', '%d'], delimiter=',', header='id,label', comments='')
# 第二种存储文件的方式，需要pandas
import pandas as pd
test = pd.DataFrame({"id":test_ids,"label":predictions}) #将id列和label列创建成一个DataFrame
print(test.head) # 输出test的前几行
test.to_csv("submission.csv",index = False) # 生成没有索引的submission.csv，以便提交

Computing predictions...
58/58 [==============================] - 60s 1s/step
[ 78  83 103 ...  49  45 103]
Generating submission.csv file...
<bound method NDFrame.head of              id  label
0     0b9afbdf2     78
1     c37a6f3e9     83
2     00e4f514e    103
3     1c4736dea     28
4     252d840db     67
...         ...    ...
7377  f65475a24     48
7378  9b9c0e574    103
7379  298ade3a4     49
7380  8361401fa     45
7381  e46998f4d    103

[7382 rows x 2 columns]>

5.5 検証

dataset = get_validation_dataset()  # 获取验证集
dataset = dataset.unbatch().batch(20)  #将验证集分成大小为20的小批量
batch = iter(dataset) # 将数据集转化为Iterator对象

# 再次运行该单元格以获取下一组图像
images, labels = next(batch) # 获取验证集的下一个批量
probabilities = model.predict(images) # 图片在104个类别上的概率
predictions = np.argmax(probabilities, axis=-1) # 其中最大的概率表示这个图片的预测类别
display_batch_of_images((images, labels), predictions) # 展示一个批量的图片，图片标题为预测标签+预测标签是否正确（OK或NO）
# 举个例子：标题为wild rose（NO->watercress），这个图片实际是豆瓣花，但是预测为野玫瑰，所以它是错的。所以它的标签为 野玫瑰（NO->豆瓣花）