365天深度学习训练营-第4周：猴痘病识别

最新推荐文章于 2025-01-24 15:30:32 发布

原创最新推荐文章于 2025-01-24 15:30:32 发布

· 533 阅读

版权

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/xLjALoOD8HPZcH563En8bQ) 中的学习记录博客**
>- **🍦 参考文章地址： [🔗深度学习100例-卷积神经网络（CNN）猴痘病识别 | 第45天](https://blog.csdn.net/qq_38251616/article/details/126284706)**
>- **🍖 作者：[K同学啊](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw)**

配置环境：
● 语言环境：Python3.6.5
● 编译器：jupyter notebook
● 深度学习框架：TensorFlow2.4.1
● 显卡（GPU）：NVIDIA GeForce RTX 3080

一、前期工作

1.设置GPU

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, models
import os, PIL, pathlib
import matplotlib.pyplot as plt

gpus = tf.config.list_physical_devices("GPU")
if gpus:
    gpu0 = gpus[0]
    tf.config.experimental.set_memory_growth(gpu0, True)
    tf.config.set_visible_devices([gpu0], "GPU")

data_dir = "D:\\deeplearning\\day04\\dataset\\04"
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为：", image_count)

2.导入数据

data_dir = "D:\\deeplearning\\day04\\dataset\\04"
data_dir = pathlib.Path(data_dir)

3.查看数据

image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为：", image_count)

在这里插入图片描述

Monkeypox = list(data_dir.glob('Monkeypox/*.jpg'))
PIL.Image.open(str(Monkeypox[0]))

在这里插入图片描述

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

训练集、验证集、测试集的作用
训练集(Training set)
作用时来拟合模型，通过设置分类器的参数，训练分类模型。后续结合验证集作用时，会选出同一参数的不同取值，拟合出多个分类器。
验证集(Validation set)
作用是通过训练集训练出多个模型之后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型的准确率
选出效果最佳的模型所对应的参数，即用来调整模型参数。
测试集(Test set)
通过训练集和验证集得出最优模型后，使用测试集进行模型预测。用来衡量该最优模型的性能和分类能力。
即把测试集当作从来不存在的数据集，当已经确定模型参数后，使用测试集进行模型性能评价。

对原始数据进行三个数据集的划分，也是为了防止模型过拟合。
当使用了所有的原始数据去训练模型，得到的结果很可能是该模型最大程度地拟合了原始数据，亦即该模型是为了拟合所有原始数据而存在。
当新的样本出现，再使用该模型进行预测，效果可能还不如只使用一部分数据训练的模型。
=参考文章=

https://blog.youkuaiyun.com/Neleuska/article/details/73193096?ops_request_misc=&request_id=&biz_id=102&utm_term=%E8%AE%AD%E7%BB%83%E9%9B%86%E5%92%8C%E6%B5%8B%E8%AF%95%E9%9B%86%E7%9A%84%E4%BD%9C%E7%94%A8&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-4-73193096.nonecase&spm=1018.2226.3001.4187

关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.youkuaiyun.com/article/details/117018789

batch_size = 32
img_height = 224
img_width = 224
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,  # 数据集
    validation_split=0.2,  # 用于验证集的为数据集的20%
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size

)

在这里插入图片描述

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size
)

在这里插入图片描述

# 可以通过class_names输出数据集的标签。标签将按字母的顺序对应于目录名称。
class_names = train_ds.class_names
print(class_names)

在这里插入图片描述

2.可视化数据

plt.figure(figsize=(20, 10))

for images, labels in train_ds.take(1):
    for i in range(20):
        ax = plt.subplot(5, 10, i + 1)
        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])

        plt.axis("off")

在这里插入图片描述

3.再次检查数据

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

在这里插入图片描述

4.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

prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

在这里插入图片描述
使用prefetch()可显著减少空闲时间：

cache():将数据集缓存到内存当中，加速运行

AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

三、构建CNN网络

关于卷积核的计算不懂的可以参考文章：https://blog.youkuaiyun.com/qq_38251616/article/details/114278995
layers.Dropout(0.4) 作用是防止过拟合，提高模型的泛化能力。
关于Dropout层的更多介绍可以参考文章：https://mtyjkh.blog.youkuaiyun.com/article/details/115826689

num_classes = 2
model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1. / 255, input_shape=(img_height, img_width, 3)),

    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)),  # 卷积层1，卷积核3*3
    layers.AveragePooling2D((2, 2)),  # 池化层1，2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.AveragePooling2D((2, 2)),  # 池化层2，2*2采样
    layers.Dropout(0.3),
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.Dropout(0.3),

    layers.Flatten(),  # Flatten层，连接卷积层与全连接层
    layers.Dense(128, activation='relu'),  # 全连接层，特征进一步提取
    layers.Dense(num_classes)  # 输出层，输出预期结果
])

model.summary()  # 打印网络结构

在这里插入图片描述

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。
● 指标（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。

# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

五、训练模型

关于ModelCheckpoint方法详解
参考文章：https://blog.youkuaiyun.com/weixin_44048809/article/details/105705272
训练完模型之后，一般需要保存模型或者只保存权重文件。可以利用Keras中的回调函数ModelCheckpoint进行保存。
keras.callbacks.ModelCheckpoint(
filepath,
monitor=‘val_loss’,
verbose=0,
save_best_only=True,
save_weights_only=False,
mode=‘auto’,
period=1
)
1.filename
模型保存在本地的路径

2.monitor
需要监视的值，val_accuracy,val_loss或者accuracy。

3.verbose
信息展示模式

4.save_best_only
当设置为True时，表示当模型这次epoch的训练评判结果(monitor的监测值)。比上一次保存训练时的结果有提升时才进行保存。

5.mode
‘auto’,‘min’,‘max’ 之一，在save_best_only=True时决定性能最佳模型的评判标准例如，当监测值为val_acc时，模式应为max，当监测值为val_loss时，模式应为min。再auto模式下，评价准则由被监测值的名字自动推断。

6.save_weights_only
若设置为True，占用内存小（只保存模型权重），但下次想调用的话，需要搭建和训练时一样的网络。
若设置为False，占用内存大（包括了模型结构和配置信息），下次调用可以直接载入，不需要再次搭建神经网络结构。

7.period:填写int值，如果填写period=3，指模型每训练3个epoch，进行保存一次。

from tensorflow.keras.callbacks import ModelCheckpoint

epochs = 50

checkpointer = ModelCheckpoint('best_model.h5',
                                monitor='val_accuracy',
                                verbose=1,
                                save_best_only=True,
                                save_weights_only=True)

history = model.fit(train_ds,
                    validation_data=val_ds,
                    epochs=epochs,
                    callbacks=[checkpointer])  # 回调函数采用checkpointer

六、模型评估

1.Loss与Accuracy图

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

epoch=25时：
在这里插入图片描述
epoch = 50时

2.指定图片进行预测

# 加载效果最好的模型权重
model.load_weights('best_model.h5')


from PIL import Image
import numpy as np

# img = Image.open("./45-data/Monkeypox/M06_01_04.jpg")  # 这里选择你需要预测的图片
img = Image.open("D:\\deeplearning\\day04\\dataset\\04\\Monkeypox\\M01_01_00.jpg")  # 这里选择你需要预测的图片
plt.title("test_img")
plt.axis('off')
plt.imshow(img)
plt.show()
image = tf.image.resize(img, [img_height, img_width])

img_array = tf.expand_dims(image, 0)

predictions = model.predict(img_array)  # 这里选用你已经训练好的模型
print("预测结果为：", class_names[np.argmax(predictions)])