猫狗识别训练-迁移学习

下载数据集

下载地址：https://www.kaggle.com/c/dogs-vs-cats/data

下载的训练集中有2.5W张猫猫狗狗的图片，我这里只用训练测试集压缩包就好了，验证集和测试集均可以从中切分。

观察图片可得知命名方式，猫图片为cat.数字.jpg，狗图片为dog.数字.jpg，各有12500张。

 

规划数据

数据须要分红三份：训练集、验证集和测试集。

我打算使用1.9W张图片做为训练集，4000张图片做为验证集，2000张图片做为测试集。

import os,shutil
from tensorflow import keras
import matplotlib.pyplot as plt
from tensorflow.keras.applications.inception_v3 import InceptionV3
from tensorflow.keras import layers

#原始图片存放目录
origin_dir = './origin/train'

#训练数据集存储位置
base_dir = './data'

#训练集 验证集 测试集
train_dir = base_dir + '/train'
validation_dir = base_dir + '/validation'
test_dir = base_dir + '/test'

#若是目录存在先删掉
if True == os.path.exists(base_dir) :
    shutil.rmtree(base_dir)
os.makedirs(base_dir)

#建立子目录
validation_dog_dir = validation_dir + '/dog'
validation_cat_dir = validation_dir + '/cat'
test_dog_dir = test_dir + '/dog'
test_cat_dir = test_dir + '/cat'
train_dog_dir = train_dir + '/dog'
train_cat_dir = train_dir + '/cat'

#建立目录
os.makedirs(validation_dog_dir)
os.makedirs(validation_cat_dir)
os.makedirs(test_dog_dir)
os.makedirs(test_cat_dir)
os.makedirs(train_dog_dir)
os.makedirs(train_cat_dir)


#复制2000张狗图片到验证数据集狗目录
files = ['dog.{}.jpg'.format(i) for i in range(2000)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(validation_dog_dir,file)
    shutil.copy(src,dst)

#复制2000张猫图片到验证数据集猫目录
files = ['cat.{}.jpg'.format(i) for i in range(2000)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(validation_cat_dir,file)
    shutil.copy(src,dst)


#复制1000张狗图片到测试数据集狗目录
files = ['dog.{}.jpg'.format(i) for i in range(2000,3000)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(test_dog_dir,file)
    shutil.copy(src,dst)

#复制1000张猫图片到测试数据集狗目录
files = ['cat.{}.jpg'.format(i) for i in range(2000,3000)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(test_cat_dir,file)
    shutil.copy(src,dst)

#复制9500张狗图片到训练数据集狗目录
files = ['dog.{}.jpg'.format(i) for i in range(3000,12500)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(train_dog_dir,file)
    shutil.copy(src,dst)

#复制9500张猫图片到训练数据集猫目录
files = ['cat.{}.jpg'.format(i) for i in range(3000,12500)]
for file in files :
    src = os.path.join(origin_dir,file)
    dst = os.path.join(train_cat_dir,file)
    shutil.copy(src,dst)

 

迁移网络

我将使用在ImageNet上训练好的大型卷积神经网络Inception-V3进行迁移，ImageNet数据集包含140万张图片，1000多个分类，包含了不少动物类别，猫和狗天然也在其中，在ImageNet上训练好的模型还有Eception、VGG1六、VGG1九、ResNet、MobileNet等。

conv_base = InceptionV3(weights='imagenet',include_top=False,input_shape=(299,299,3))

include_top=False表示不须要网络顶层，也就是输出层，由于我只须要它提取的特征，在其基础上我要添加网络层继续训练。

 

冻结层

在训练以前必定要将迁移的网络进行冻结，InceptionV3模型有两千一百万个参数，不冻结的话，其中的权重会在训练过程当中被修改，这会对原网络的优秀性形成破坏，再者说，不冻结的话至关于本身从新训练一个InceptionV3模型，我估计我这电脑跑一个月都不必定能跑的完。

可是呢，我不能将它冻结完，由于迁移的模型是以识别1000个类别而诞生的，我这里只有猫和狗2个类别，因此我须要微调模型让它更能适应处理我此时此刻面对的问题，怎么解决呢？办法是冻结，但不冻结所有，留几层出来参与训练。

InceptionV3的网络结构是由一块一块的Inception组成，每一块Inception包含了多种不一样尺寸的卷积核、池化层、批标准化等组合。我解冻最后两块Inception，经过观察网络结构能够定位到从第249层开始解冻。

conv_base.trainable = True
for layer in conv_base.layers[:249]:
    layer.trainable = False
for layer in conv_base.layers[249:]:
    layer.trainable = True

 

搭建网络结构

在Inception的基础上，我再怼上两层全接连网络，正则化和Dropout也怼上，让个人曲线更加丝滑柔顺。

model = keras.models.Sequential([
    conv_base,
    keras.layers.Flatten(),
    keras.layers.Dropout(0.3),
    keras.layers.Dense(256,activation='relu',kernel_regularizer=keras.regularizers.l2()),
    keras.layers.Dropout(0.3),
    keras.layers.Dense(1,activation='sigmoid')
])

 

模型编译

model.compile(optimizer=keras.optimizers.SGD(lr=0.0001,momentum=0.9),loss='binary_crossentropy', metrics=['accuracy'])

 

数据生成器

img_width=299
img_height=299
img_channel = 3
batch_size=32
epochs = 6

train_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255)
validation_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255)
test_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

validation_generator = validation_datagen.flow_from_directory(
    validation_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

 

执行训练

history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.n // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=validation_generator.n // batch_size,
    verbose=1)

这个生成器的训练之前是model.fit_generator方法，从TensorFlow2.1开始就废弃了，可直接使用model.fit方法传入生成器。

 

模型评估

score = model.evaluate(test_generator, steps=test_generator.n // batch_size)
print('测试准确率:{}, 测试loss值: {}'.format(score[1], score[0]))

 

可视化acc和loss曲线

plt.rcParams['font.sans-serif']=['SimHei']
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

plt.subplot(1, 2, 1)
plt.plot(acc, label='训练Acc')
plt.plot(val_acc, label='测试Acc')
plt.title('Acc曲线')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(loss, label='训练Loss')
plt.plot(val_loss, label='测试Loss')
plt.title('Loss曲线')
plt.legend()
plt.show()