图像分类-flower_photos 实验研究

数据集: flower_photos

1. daisy: 633张图片 雏菊
2. dandelion: 898张图片 蒲公英
3. roses: 641张图片 玫瑰
4. sunflowers: 699张图片 向日葵
5. tulips: 799张图片 郁金香

数据存储在本地磁盘，读取用的是 tf.keras.preprocessing.image_dataset_from_directory()，其中的 image_size 用作 image resize，batch_size 用作 batch

（福利推荐：阿里云、腾讯云、华为云服务器最新限时优惠活动，云服务器1核2G仅88元/年、2核4G仅698元/3年，点击这里立即抢购>>>）

最后的 train_ds = train_ds.shuffle().cache().prefetch()，这样做的目的是减少 IO blocking

下面是模型搭建的代码:

model = tf.keras.Sequential([     tf.keras.layers.experimental.preprocessing.Rescaling(1. / 255),     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Flatten(),     tf.keras.layers.Dense(128, activation='relu'),     tf.keras.layers.Dense(num_classes) ])

此处把 pixel 的 rescale 放进了 Sequential，当做模型搭建的一部分，有利于模型部署

callbacks 里面用到了 ReduceLROnPlateau，Tensorboard，EarlyStopping

上图是训练模型四次的 log 记录图，其中 val_acc 的区间在 [0.6499, 0.6785]，这个是正常现象，所以训练出来的模型准确率是会存在波动的

代码地址: https://github.com/MaoXianXin/Tensorflow_tutorial，但是需要在如上图的地方 flower dataset 这个 commit 处开一个新分支，然后找到 3.py 这个脚本，就能重复上图的实验了

因为上面的实验，准确率才 [0.6499, 0.6785]，我们需要进行优化，第一个改进是添加 data augmentation，此处我们直接在模型搭建环节添加，代码如下所示

model = tf.keras.Sequential([     tf.keras.layers.experimental.preprocessing.Rescaling(1. / 255),     augmentation_dict[args.key],     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Conv2D(32, 3, activation='relu'),     tf.keras.layers.MaxPooling2D(),     tf.keras.layers.Flatten(),     tf.keras.layers.Dense(128, activation='relu'),     tf.keras.layers.Dense(num_classes) ])

augmentation_dict[args.key]，这个就是添加的 data augmentation，此处我们只添加单种，具体 data augmentation 种类如下所示

augmentation_dict = {     'RandomFlip': tf.keras.layers.experimental.preprocessing.RandomFlip("horizontal_and_vertical"),     'RandomRotation': tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),     'RandomContrast': tf.keras.layers.experimental.preprocessing.RandomContrast(0.2),     'RandomZoom': tf.keras.layers.experimental.preprocessing.RandomZoom(height_factor=0.1, width_factor=0.1),     'RandomTranslation': tf.keras.layers.experimental.preprocessing.RandomTranslation(height_factor=0.1, width_factor=0.1),     'RandomCrop': tf.keras.layers.experimental.preprocessing.RandomCrop(img_height, img_width),     'RandomFlip_prob': RandomFlip_prob("horizontal_and_vertical"),     'RandomRotation_prob': RandomRotation_prob(0.2),     'RandomTranslation_prob': RandomTranslation_prob(height_factor=0.1, width_factor=0.1), }

接下来我们看下实验结果的 log 记录图

可以看到，val_acc 大于 0.6785 (未添加数据增强) 的有 RandomTranslation > RandomRotation_prob > RandomRotation > RandomFlip_prob = RandomFlip > RandomZoom > RandomTranslation_prob

从结果看来，数据增强是有效的，接下来我们进行第二个改进，更换更强的网络模型，我们这里选择 MobileNetV2

这里我们分两种情况进行实验，第一种是把 MobileNetV2 当做 feature extraction 来使用，这个要求我们 freeze 模型的 卷积部分，只训练添加进去的 top-classifier 部分，下面上代码

data_augmentation = tf.keras.Sequential([     augmentation_dict[args.key], ])  preprocess_input = tf.keras.applications.mobilenet_v2.preprocess_input base_model = tf.keras.applications.MobileNetV2(input_shape=img_size,                                                include_top=False,                                                weights='imagenet') base_model.trainable = False  inputs = tf.keras.Input(shape=img_size) x = data_augmentation(inputs) x = preprocess_input(x) x = base_model(x, training=False) x = tf.keras.layers.GlobalAveragePooling2D()(x) x = tf.keras.layers.Dropout(0.2)(x) outputs = tf.keras.layers.Dense(num_classes)(x) model = tf.keras.Model(inputs, outputs) print(model.summary())

实验结果如下图所示

可以看到，准确率提升很显著，从数据增强的 0.7316 提升到了 0.8937，这主要得益于 pre-trained model 是在 ImageNet 大数据集上做过训练，提取到的特征泛化性更好

为了进一步提升模型的准确率，我们采用第二种方式，对 pre-trained model 做 fine-tune，就是在第一种方式的基础上，我们 unfreeze 部分卷积层，因为浅层的卷积提取的特征都是很基础的特征，意味着很通用，但是深层的卷积提取的特征都是和数据集高度相关的，这里我们要解决的是 flower_photos，所以可以对深层的一部分卷积做训练，以进一步提高模型的准确率

下面上代码

data_augmentation = tf.keras.Sequential([     augmentation_dict[args.key], ])  preprocess_input = tf.keras.applications.mobilenet_v2.preprocess_input base_model = tf.keras.applications.MobileNetV2(input_shape=img_size,                                                include_top=False,                                                weights='imagenet') base_model.trainable = True # Let's take a look to see how many layers are in the base model print("Number of layers in the base model: ", len(base_model.layers))  # Fine-tune from this layer onwards fine_tune_at = 100  # Freeze all the layers before the `fine_tune_at` layer for layer in base_model.layers[:fine_tune_at]:     layer.trainable = False  inputs = tf.keras.Input(shape=img_size) x = data_augmentation(inputs) x = preprocess_input(x) x = base_model(x, training=False) x = tf.keras.layers.GlobalAveragePooling2D()(x) x = tf.keras.layers.Dropout(0.2)(x) outputs = tf.keras.layers.Dense(num_classes)(x) model = tf.keras.Model(inputs, outputs) model.load_weights('./save_models') print(model.summary())  optimizer = tf.keras.optimizers.Adam(learning_rate=1e-4) model.compile(     optimizer=optimizer,     loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),     metrics=['accuracy']) K.set_value(model.optimizer.learning_rate, 1e-4)

这里有个特别需要注意的地方是 learning_rate 的设置，K.set_value(model.optimizer.learning_rate, 1e-4)，这个地方还是我特地查看了下 learning_rate 的 log 记录图才发现的不对劲

可以看到，进行 fine-tune 的话，模型准确率进一步提升，从 0.8937 —> 0.9482

到此为止，我们实现了在 flower_photos 数据集上 val_acc = 0.9482，下一步可能会用 RandAugment 或者 Semi-supervised 来提升模型的泛化能力

代码地址: https://github.com/MaoXianXin/Tensorflow_tutorial

你还在原价购买阿里云、腾讯云、华为云、天翼云产品？那就亏大啦！现在申请成为四大品牌云厂商VIP用户，可以3折优惠价购买云服务器等云产品，并且可享四大云服务商产品终身VIP优惠价，还等什么？赶紧点击下面对应链接免费申请VIP客户吧：

1、点击这里立即申请成为腾讯云VIP客户

2、点击这里立即注册成为天翼云VIP客户

3、点击这里立即申请成为华为云VIP客户

4、点击这里立享阿里云产品终身VIP优惠价

喜欢 (0)赏

[[email protected]]

分享 (0)