肺炎2日間の特に急速な普及、および作らパニック。。。放課後の人間はほとんど消えています
以下kerasデフォルトtf.keras
from tensorflow import keras
import tensorflow as tf
import matplotlib.pyplot as plt
データ処理の設定
オブジェクトの分類データセット： cifar10
参照：（x_train、y_train）、（x_test、android.permission.FACTOR。）= Keras.datasets.cifar10.load_data（）
ダウンロードにダウンロードされていない、IDEのダウンロードが遅いのダウンロードサンダーは、リンクをコピーして、ユーザー名/.keras内部にコピーすることができます。
データの一部を印刷：
# 展示一些图片
def show_imgs(n_rows, n_cols, x_data, y_data, class_names):
plt.figure(figsize=(n_cols * 1.4, n_rows * 1.6))
for row in range(n_rows):
for col in range(n_cols):
index = n_cols * row + col
plt.subplot(n_rows, n_cols, index + 1)
plt.imshow(x_data[index],
interpolation='nearest') # 缩放图片时的方法
plt.axis('off')
plt.title(class_names[int(y_data[index])])
plt.show()
class_names = ['plane', 'car' ,' bird ', 'cat','deer', 'dog', 'frog',
'horse', 'boat', 'truck']
show_imgs(5, 8, x_train, y_train, class_names)
特徴ネットワーク入力チャンネル3、少なくとも71 * 71の大きさの抽出が、唯一それを再構築するために、* 28 28 cifarデータセットを見逃します。
x_train=tf.image.resize(x_train,[71,71])
x_test=tf.image.resize(x_test,[71,71])
ネットワークアーキテクチャ
公式文書ます。https：//keras.io/zh/applications/
Xecptionネットワークのロード：
xception=keras.applications.xception.Xception(
include_top=False, weights='imagenet',
input_tensor=None, input_shape=[71,71,3],
pooling='avg')
そのようなXception層133は、最終的な出力層である：一次元テンソル長さ2048
私たちは訓練の後ろの層、層の前に凍結し、その後、事前研修、リコールNGの重みimagenetをロード：
freeze_layer = 100
for layer in xception.layers[:freeze_layer]:
layer.trainable = False
独自のネットワークを構築します。
model = keras.Sequential([
xception,
keras.layers.Dropout(0.5),
keras.layers.Dense(1024, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(512, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')
])
あなたは、モデルの詳細情報を印刷することができます。
def print_model_info(model):
for layer in model.layers:
print('layer name:',layer.name,'output:',layer.output_shape,'trainable:',layer.trainable)
if layer.name=='xception':
for ll in layer.layers:
print('layer name:',ll.name,'output:',ll.output_shape,'trainable:',ll.trainable)
else:
for weight in layer.weights:
print('--weight name:',weight.name,'shape:',weight.shape)
conpile：
model.compile(optimizer=keras.optimizers.Adam(lr=0.0001),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
トレーニング方法
データセット全体がそのエポックを発見した場合は、数分を実行します。そして、進行できない場合があり、例えば、テスト・セット、小さな学習率、大きな学習率の精度を増加させません。
したがって、複数の部分に設定されたデータは、各トレーニングの後にローカルに保存されました。
n = x_train.shape[0]
m = x_test.shape[0]
n = (int)(n / 10)
m = (int)(m / 10)
# 分批训练并及时保存，以实时调整学习速率等其他超参数
for epoch in range(10):
for i in range(10):
# 训练
ns = i * n
ms = i * m
history = model.fit(x_train[ns:ns + n], y_train[ns:ns + n],
batch_size=64, epochs=1,
validation_data=(x_test[ms:ms + m], y_test[ms:ms + m]))
model.save('my_model.h5')
loss, acc = model.evaluate(x_test, y_test)
print("model loss:{:.2}, acc:{:.2%}".format(loss, acc))
訓練の後、以前の結果にトレーニングを続けることができます
import os
if os.path.exists('my_model.h5'):
return tf.keras.models.load_model('my_model.h5')
ネットワーク構造を調整します
こうした特定の構造のテストセットの精度は思っその後、上がることができない検索します。
サイズはcifarセット小型、抽出した特徴のフロントXception層は、このトレーニングセットには適用されませんので、写真とimagenet 71 * 71を取得する画像は、はるかに悪化する必要がありリサイズ。
ネットワークアーキテクチャの裏層は、組織特性の前の層のための方法が理解されるであろうが、そうここに列車の前に、凍結層100の背後を試みます。
freeze_layer = 100
for layer in xception.layers[-freeze_layer:]:
layer.trainable = False
完全なコード
from tensorflow import keras
import tensorflow as tf
import matplotlib.pyplot as plt
# 展示学习曲线
def show_learning_curves(history):
import pandas as pd
pd.DataFrame(history.history).plot(figsize=(8, 5))
plt.grid(True)
plt.gca().set_ylim(0, 1)
plt.show()
# 获取模型
def getModel():
import os
if os.path.exists('my_model.h5'):
return tf.keras.models.load_model('my_model.h5')
# 特征提取网络
xception = keras.applications.xception.Xception(include_top=False, weights='imagenet',
input_tensor=None, input_shape=[71, 71, 3],
pooling='avg')
# xception.trainable=False
freeze_layer = 100
for layer in xception.layers[-freeze_layer:]:
layer.trainable = False
# 模型创建和训练
model = keras.Sequential([
xception,
keras.layers.Dropout(0.5),
keras.layers.Dense(1024, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(512, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')
])
return model
def print_model_info(model):
for layer in model.layers:
print('layer name:', layer.name, 'output:', layer.output_shape, 'trainable:', layer.trainable)
if layer.name == 'xception':
for ll in layer.layers:
print('layer name:', ll.name, 'output:', ll.output_shape, 'trainable:', ll.trainable)
else:
for weight in layer.weights:
print('--weight name:', weight.name, 'shape:', weight.shape)
model = getModel()
# print_model_info(model)
model.compile(optimizer=keras.optimizers.Adam(lr=0.0005),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 获取数据
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
print('iamge ori size:',x_train.shape, y_train.shape, x_test.shape, y_test.shape)
# 展示一些图片
def show_imgs(n_rows, n_cols, x_data, y_data, class_names):
plt.figure(figsize=(n_cols * 1.4, n_rows * 1.6))
for row in range(n_rows):
for col in range(n_cols):
index = n_cols * row + col
plt.subplot(n_rows, n_cols, index + 1)
plt.imshow(x_data[index],
interpolation='nearest') # 缩放图片时的方法
plt.axis('off')
plt.title(class_names[int(y_data[index])])
plt.show()
class_names = ['plane', 'car', ' bird ', 'cat', 'deer', 'dog', 'frog',
'horse', 'boat', 'truck']
# show_imgs(5, 8, x_train, y_train, class_names)
x_train = tf.image.resize(x_train, [71, 71])
x_test = tf.image.resize(x_test, [71, 71])
print('image processed',x_train.shape, y_train.shape, x_test.shape, y_test.shape)
n = x_train.shape[0]
m = x_test.shape[0]
n = (int)(n / 10)
m = (int)(m / 10)
# 分批训练并及时保存，以实时调整学习速率等其他超参数
for epoch in range(10):
for i in range(10):
# 训练
ns = i * n
ms = i * m
history = model.fit(x_train[ns:ns + n], y_train[ns:ns + n],
batch_size=64, epochs=1, validation_data=(x_test[ms:ms + m], y_test[ms:ms + m]))
model.save('my_model.h5')
# show_learning_curves(history)
loss, acc = model.evaluate(x_test, y_test)
print("model loss:{:.2}, acc:{:.2%}".format(loss, acc))
