- 🍨 本文为🔗365天深度学习训练营中的学习记录博客
- 🍖 原作者:K同学啊
要求:
- 了解
model.train_on_batch()
并运用 - 了解tqdm,并使用tqdm实现可视化进度条
🍻 拔高(可选):
- 本文代码中存在一个严重的BUG,请找出它并配以文字说明
🔎 探索(难度有点大)
- 修改代码,处理BUG
这篇文章中我放弃了以往的model.fit()训练方法,改用model.train_on_batch方法。两种方法的比较:
model.fit()
:用起来十分简单,对新手非常友好
model.train_on_batch()
:封装程度更低,可以玩更多花样。
此外我也引入了进度条的显示方式,更加方便我们及时查看模型训练过程中的情况,可以及时打印各项指标。
一、前期工作
1. 设置GPU
如果使用的是CPU可以注释掉这部分的代码。
import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus:tf.config.experimental.set_memory_growth(gpus[0], True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpus[0]],"GPU")# 打印显卡信息,确认GPU可用
print(gpus)
2. 导入数据
import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号import os,PIL,pathlib#隐藏警告
import warnings
warnings.filterwarnings('ignore')data_dir = "C:/Users/76967/.keras/datasets/365-7-data"
data_dir = pathlib.Path(data_dir)image_count = len(list(data_dir.glob('*/*')))print("图片总数为:",image_count)
图片总数为: 3400
二、数据预处理
1. 加载数据
使用image_dataset_from_directory
方法将磁盘中的数据加载到tf.data.Dataset
中
batch_size = 8
img_height = 224
img_width = 224
TensorFlow版本是2.2.0的同学可能会遇到module 'tensorflow.keras.preprocessing' has no attribute 'image_dataset_from_directory'
的报错,升级一下TensorFlow就OK了。
"""
关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)
Found 3400 files belonging to 2 classes.
Using 2720 files for training.
"""
关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=12,image_size=(img_height, img_width),batch_size=batch_size)
Found 3400 files belonging to 2 classes.
Using 680 files for validation.
我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。
class_names = train_ds.class_names
print(class_names)
['cat', 'dog']
2. 再次检查数据
for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break
(8, 224, 224, 3)
(8,)
Image_batch
是形状的张量(8, 224, 224, 3)。这是一批形状224x224x3的8张图片(最后一维指的是彩色通道RGB)。
Label_batch
是形状(8,)的张量,这些标签对应8张图片
3. 配置数据集
- shuffle() : 打乱数据,关于此函数的详细介绍可以参考:https://zhuanlan.zhihu.com/p/42417456
- prefetch() :预取数据,加速运行,其详细介绍可以参考我前两篇文章,里面都有讲解。
- cache() :将数据集缓存到内存当中,加速运行
AUTOTUNE = tf.data.AUTOTUNEdef preprocess_image(image,label):return (image/255.0,label)# 归一化处理
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
如果报
AttributeError: module 'tensorflow._api.v2.data' has no attribute 'AUTOTUNE'
错误,就将AUTOTUNE = tf.data.AUTOTUNE
更换为AUTOTUNE = tf.data.experimental.AUTOTUNE
,这个错误是由于版本问题引起的。
4. 可视化数据
plt.figure(figsize=(15, 10)) # 图形的宽为15高为10for images, labels in train_ds.take(1):for i in range(8):ax = plt.subplot(5, 8, i + 1) plt.imshow(images[i])plt.title(class_names[labels[i]])plt.axis("off")
三、构建VG-16网络
VGG优缺点分析:
- VGG优点
VGG的结构非常简洁,整个网络都使用了同样大小的卷积核尺寸(3x3)和最大池化尺寸(2x2)。
- VGG缺点
1)训练时间过长,调参难度大。2)需要的存储容量大,不利于部署。例如存储VGG-16权重值文件的大小为500多MB,不利于安装到嵌入式系统中。
结构说明:
- 13个卷积层(Convolutional Layer),分别用
blockX_convX
表示 - 3个全连接层(Fully connected Layer),分别用
fcX
与predictions
表示 - 5个池化层(Pool layer),分别用
blockX_pool
表示
VGG-16
包含了16个隐藏层(13个卷积层和3个全连接层),故称为VGG-16
from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropoutdef VGG16(nb_classes, input_shape):input_tensor = Input(shape=input_shape)# 1st blockx = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv1')(input_tensor)x = Conv2D(64, (3,3), activation='relu', padding='same',name='block1_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block1_pool')(x)# 2nd blockx = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv1')(x)x = Conv2D(128, (3,3), activation='relu', padding='same',name='block2_conv2')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block2_pool')(x)# 3rd blockx = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv1')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv2')(x)x = Conv2D(256, (3,3), activation='relu', padding='same',name='block3_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block3_pool')(x)# 4th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block4_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block4_pool')(x)# 5th blockx = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv1')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv2')(x)x = Conv2D(512, (3,3), activation='relu', padding='same',name='block5_conv3')(x)x = MaxPooling2D((2,2), strides=(2,2), name = 'block5_pool')(x)# full connectionx = Flatten()(x)x = Dense(4096, activation='relu', name='fc1')(x)x = Dense(4096, activation='relu', name='fc2')(x)output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)model = Model(input_tensor, output_tensor)return modelmodel=VGG16(1000, (img_width, img_height, 3))
model.summary()
这段代码定义了一个实现 VGG16 神经网络架构的函数,并使用 Keras 构建模型。VGG16 是一种常见的卷积神经网络(CNN)架构,通常用于图像分类任务。接下来是代码逐步的解释:
导入模块:
from tensorflow.keras import layers, models, Input
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout
tensorflow.keras
是 TensorFlow 的高级接口,用于构建深度学习模型。Input
用于定义模型的输入层。Conv2D
定义卷积层。MaxPooling2D
定义最大池化层。Dense
定义全连接层。Flatten
用于将多维的输入展平为一维。Dropout
是一种正则化方法,用于防止过拟合(在代码中没有使用)。
定义 VGG16 函数:
def VGG16(nb_classes, input_shape):
input_tensor = Input(shape=input_shape)
VGG16
函数接受两个参数:nb_classes
表示输出类别数(例如,如果进行 1000 类分类任务,nb_classes=1000
),input_shape
是输入图像的形状(例如,(224, 224, 3)
表示图像为 224x224 像素,3 个颜色通道)。input_tensor = Input(shape=input_shape)
定义了网络的输入层。
1st Block(第一个卷积块):
x = Conv2D(64, (3,3), activation='relu', padding='same', name='block1_conv1')(input_tensor)
x = Conv2D(64, (3,3), activation='relu', padding='same', name='block1_conv2')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block1_pool')(x)
- 该块包含 2 个卷积层,每个卷积层使用 64 个 3x3 的滤波器(
Conv2D(64, (3, 3))
),激活函数为 ReLU。 padding='same'
表示输入和输出的大小相同,卷积会自动填充输入的边缘。- 使用最大池化(
MaxPooling2D
),池化窗口大小为 2x2,步幅为 2。
2nd Block(第二个卷积块):
x = Conv2D(128, (3,3), activation='relu', padding='same', name='block2_conv1')(x) x = Conv2D(128, (3,3), activation='relu', padding='same', name='block2_conv2')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block2_pool')(x)
- 该块包含 2 个卷积层,每个卷积层使用 128 个 3x3 的滤波器。
- 同样使用最大池化,池化窗口大小为 2x2。
3rd Block(第三个卷积块):
x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv1')(x) x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv2')(x) x = Conv2D(256, (3,3), activation='relu', padding='same', name='block3_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block3_pool')(x)
- 该块包含 3 个卷积层,每个卷积层使用 256 个 3x3 的滤波器。
- 最大池化操作与前面相同。
4th Block(第四个卷积块):
x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv1')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv2')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block4_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block4_pool')(x)
- 该块包含 3 个卷积层,每个卷积层使用 512 个 3x3 的滤波器。
- 使用最大池化层。
5th Block(第五个卷积块):
x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv1')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv2')(x) x = Conv2D(512, (3,3), activation='relu', padding='same', name='block5_conv3')(x) x = MaxPooling2D((2,2), strides=(2,2), name='block5_pool')(x)
- 该块也是 3 个卷积层,每个卷积层使用 512 个 3x3 的滤波器,并且使用最大池化。
全连接层(Fully Connected Layers):
x = Flatten()(x) x = Dense(4096, activation='relu', name='fc1')(x)
x = Dense(4096, activation='relu', name='fc2')(x)
output_tensor = Dense(nb_classes, activation='softmax', name='predictions')(x)
Flatten()
将卷积层输出的多维张量展平成一维向量,准备传入全连接层。Dense(4096, activation='relu')
创建 2 个全连接层,每个层有 4096 个神经元,使用 ReLU 激活函数。Dense(nb_classes, activation='softmax')
输出层使用softmax
激活函数,输出每个类别的概率,类别数为nb_classes
(即网络的输出类别数)。
创建并返回模型:
model = Model(input_tensor, output_tensor) return model
- 使用
Model(input_tensor, output_tensor)
创建一个 Keras 模型,并返回这个模型对象。
创建 VGG16 模型:
model = VGG16(1000, (img_width, img_height, 3)) model.summary()
VGG16(1000, (img_width, img_height, 3))
创建一个具有 1000 个类别的 VGG16 模型,输入图像的形状为(img_width, img_height, 3)
,假设img_width
和img_height
是预定义的图像宽度和高度。model.summary()
打印出模型的概况,包括每层的输出形状和参数数量。
总结:这段代码实现了 VGG16 网络架构,包含了 5 个卷积块,每个块由多个卷积层和池化层组成。最后,网络经过两个全连接层输出类别概率。
四、编译
在准备对模型进行训练之前,还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的:
- 损失函数(loss):用于衡量模型在训练期间的准确率。
- 优化器(optimizer):决定模型如何根据其看到的数据和自身的损失函数进行更新。
- 评价函数(metrics):用于监控训练和测试步骤。以下示例使用了准确率,即被正确分类的图像的比率。
model.compile(optimizer="adam",loss ='sparse_categorical_crossentropy',metrics =['accuracy'])
五、训练模型
from tqdm import tqdm
import tensorflow.keras.backend as Kepochs = 10
lr = 1e-4# 记录训练数据,方便后面的分析
history_train_loss = []
history_train_accuracy = []
history_val_loss = []
history_val_accuracy = []for epoch in range(epochs):train_total = len(train_ds)val_total = len(val_ds)"""total:预期的迭代数目ncols:控制进度条宽度mininterval:进度更新最小间隔,以秒为单位(默认值:0.1)"""with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=1,ncols=100) as pbar:lr = lr*0.92K.set_value(model.optimizer.lr, lr)for image,label in train_ds: """训练模型,简单理解train_on_batch就是:它是比model.fit()更高级的一个用法想详细了解 train_on_batch 的同学,可以看看我的这篇文章:https://www.yuque.com/mingtian-fkmxf/hv4lcq/ztt4gy"""history = model.train_on_batch(image,label)train_loss = history[0]train_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%train_loss,"accuracy":"%.4f"%train_accuracy,"lr": K.get_value(model.optimizer.lr)})pbar.update(1)history_train_loss.append(train_loss)history_train_accuracy.append(train_accuracy)print('开始验证!')with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}',mininterval=0.3,ncols=100) as pbar:for image,label in val_ds: history = model.test_on_batch(image,label)val_loss = history[0]val_accuracy = history[1]pbar.set_postfix({"loss": "%.4f"%val_loss,"accuracy":"%.4f"%val_accuracy})pbar.update(1)history_val_loss.append(val_loss)history_val_accuracy.append(val_accuracy)print('结束验证!')print("验证loss为:%.4f"%val_loss)print("验证准确率为:%.4f"%val_accuracy)
这段代码是用来训练一个深度学习模型的,并且在每个训练周期(epoch)中进行训练和验证。具体解释如下:
1. 导入模块
from tqdm import tqdm
import tensorflow.keras.backend as K
tqdm
: 用于显示进度条,便于监控训练和验证过程的进度。tensorflow.keras.backend
: 提供了与Keras后端进行交互的功能,这里用来动态调整学习率。
2. 初始化训练参数和记录列表
epochs = 10
lr = 1e-4
history_train_loss = []
history_train_accuracy = []
history_val_loss = []
history_val_accuracy = []
epochs = 10
: 设置训练周期(epoch)的数量为10。lr = 1e-4
: 设置初始学习率为0.0001
。history_train_loss
,history_train_accuracy
,history_val_loss
,history_val_accuracy
: 用于记录每个epoch中的训练和验证损失及准确度。
3. 训练循环
for epoch in range(epochs):
train_total = len(train_ds)
val_total = len(val_ds)
train_total
和val_total
分别获取训练集和验证集的大小。
4. 训练过程中的进度条
with tqdm(total=train_total, desc=f'Epoch {epoch + 1}/{epochs}', mininterval=1, ncols=100) as pbar:
- 使用
tqdm
创建一个进度条显示训练进度。total=train_total
:进度条的总长度等于训练数据集的大小。desc
:显示当前epoch的描述信息。mininterval=1
:进度更新的最小间隔为1秒。ncols=100
:进度条的宽度设置为100个字符。
5. 每个epoch的训练步骤
lr = lr*0.92
K.set_value(model.optimizer.lr, lr)
- 每经过一个epoch,学习率会乘以
0.92
来实现学习率衰减,从而逐渐降低学习率,帮助模型收敛。 - 使用
K.set_value
来更新模型优化器的学习率。
6. 训练每个batch
for image, label in train_ds:
history = model.train_on_batch(image, label)
- 这里使用了
train_on_batch()
,它是一种更细粒度的训练方式,相较于model.fit()
,train_on_batch()
在每个批次上训练,而model.fit()
是在整个数据集上进行训练。 history = model.train_on_batch(image, label)
:对当前的训练批次进行训练,返回训练的损失值和准确率。
7. 更新进度条信息
pbar.set_postfix({"loss": "%.4f"%train_loss, "accuracy":"%.4f"%train_accuracy, "lr": K.get_value(model.optimizer.lr)})
- 使用
set_postfix
方法动态更新进度条显示的信息,包括当前的训练损失、训练准确率和当前的学习率。
8. 记录训练结果
history_train_loss.append(train_loss) history_train_accuracy.append(train_accuracy)
- 将当前epoch的训练损失和准确率添加到历史记录列表中,方便后续分析。
9. 验证过程
with tqdm(total=val_total, desc=f'Epoch {epoch + 1}/{epochs}', mininterval=0.3, ncols=100) as pbar:
- 使用
tqdm
创建一个进度条显示验证过程的进度,参数与训练过程类似。
10. 每个batch的验证
for image, label in val_ds: history = model.test_on_batch(image, label)
- 使用
test_on_batch()
进行验证,与train_on_batch()
类似,只是它用于验证阶段。
11. 更新验证进度条信息
pbar.set_postfix({"loss": "%.4f"%val_loss, "accuracy":"%.4f"%val_accuracy})
- 同样使用
set_postfix
更新验证过程中的损失和准确率信息。
12. 记录验证结果
history_val_loss.append(val_loss)
history_val_accuracy.append(val_accuracy)
- 将当前epoch的验证损失和验证准确率记录到历史列表中。
13. 打印每个epoch结束时的结果
print("验证loss为:%.4f"%val_loss) print("验证准确率为:%.4f"%val_accuracy)
- 在每个epoch结束后,打印出当前epoch的验证损失和准确率。
总结:
该代码是一个包含训练和验证过程的深度学习模型训练脚本。它使用 train_on_batch()
和 test_on_batch()
方法逐步处理每个批次,且在训练过程中动态调整学习率,使用 tqdm
显示训练和验证的进度条,并记录每个epoch的损失和准确率。