TensorFlow_T4 猴痘病识别

news/2024/11/1 10:33:42/

目录

 

一、前言

 二、前期准备

1、设置GPU

2、导入数据

3、查看数据

三、数据预处理

1、加载数据

2、可视化数据

3、再次检查数据

4、配置数据集

四、构建CNN网络

五、编译

六、训练模型

七、模型评估

1、Loss and Acurracy图

2、指定图片进行预测

一、前言

  •   🍨 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

 二、前期准备

1、设置GPU

python">from tensorflow       import keras
from tensorflow.keras import layers,models
import os, PIL, pathlib
import matplotlib.pyplot as plt
import tensorflow        as tfgpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],"GPU")
gpus

2、导入数据

python">data_dir = "./P4/"data_dir = pathlib.Path(data_dir)

3、查看数据

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

运行结果如下：

  

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

运行结果如下：

  

三、数据预处理

1、加载数据

python">batch_size = 32
img_height = 224
img_width = 224

（1）调大batchsize会使得模型训练速度更快，但可能会降低模型的泛化能力。因为较大的batchsize意味着每次更新参数时使用的训练样本更多，这会导致模型对训练数据的噪声更加敏感，从而降低了模型在未见过的数据上的性能。
（2）调小batchsize则会使得模型训练速度变慢，但可能会提高模型的泛化能力。较小的batchsize意味着每次更新参数时使用的训练样本较少，这会使模型对训练数据的细节更加敏感，从而提高了模型在未见过的数据上的性能。然而，过小的batchsize可能会导致训练不稳定或收敛速度较慢。

python">train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,shuffle=True,subset="training",seed=123,image_size=(img_height, img_width),batch_size=batch_size)

运行结果如下：

  

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

运行结果如下：

  

2、可视化数据

python">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")

运行结果如下：

  

3、再次检查数据

python">for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break #只处理一个批次的

运行结果如下：

  

4、配置数据集

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：

  

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

python">AUTOTUNE = tf.data.AUTOTUNEtrain_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

这段代码是用于优化数据加载和预处理过程：

（1）AUTOTUNE = tf.data.AUTOTUNE: tf.data.AUTOTUNE是一个特殊的值，用于告诉TensorFlow在运行时自动调整数据加载和预处理的参数，以获得最佳性能。

（2）train_ds = train_ds.cache(): 这行代码将训练数据集（train_ds）缓存到内存中。缓存可以将数据集存储在内存中，以便更快地访问和处理数据。这对于大型数据集非常有用，因为它可以避免重复读取和预处理数据。

（3）train_ds = train_ds.shuffle(1000): 这行代码对训练数据集进行随机洗牌。洗牌操作会随机打乱数据集中的样本顺序，有助于提高模型的泛化能力。这里的1000表示洗牌缓冲区的大小，即每次从数据集中抽取多少个样本进行洗牌。

（4）train_ds = train_ds.prefetch(buffer_size=AUTOTUNE): 这行代码使用prefetch方法预取训练数据集的下一个批次。预取操作可以在数据实际被模型使用之前将其加载到内存中，从而减少等待时间并提高数据处理速度。buffer_size=AUTOTUNE表示使用前面定义的AUTOTUNE变量作为预取缓冲区的大小。

（5）val_ds = val_ds.cache(): 这行代码将验证数据集（val_ds）缓存到内存中。与训练数据集类似，缓存可以加速数据的访问和处理。

（6）val_ds = val_ds.prefetch(buffer_size=AUTOTUNE): 这行代码使用prefetch方法预取验证数据集的下一个批次。与训练数据集类似，这里也使用了buffer_size=AUTOTUNE来自动调整预取缓冲区的大小。

四、构建CNN网络

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入的形状是 (224, 224, 3)即彩色图像。我们需要在声明第一层时将形状赋值给参数input_shape。

  

python">num_classes = 2model = 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)),  layers.AveragePooling2D((2, 2)),              layers.Conv2D(32, (3, 3), activation='relu'),  layers.AveragePooling2D((2, 2)),               layers.Dropout(0.3),  layers.Conv2D(64, (3, 3), activation='relu'),  layers.Dropout(0.3),  layers.Flatten(),                       layers.Dense(128, activation='relu'),   layers.Dense(num_classes)               
])model.summary()

运行结果如下：

  

五、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。
python"># 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'])

六、训练模型

python">from tensorflow.keras.callbacks import ModelCheckpointepochs = 50checkpointer = 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])

（1） from tensorflow.keras.callbacks import ModelCheckpoint
这行代码导入了ModelCheckpoint类，它是Keras中用于在训练过程中保存模型权重和最佳性能的回调函数。
（2） checkpointer = ModelCheckpoint(……) 这行代码创建了一个ModelCheckpoint对象，用于在训练过程中保存模型的最佳性能。具体来说，它指定了以下参数：
'best_model.h5'：保存模型的文件名；
monitor='val_accuracy'：监控指标为验证集上的准确率；
verbose=1：在训练过程中输出详细信息；
save_best_only=True：仅保存具有最佳性能的模型；
save_weights_only=True：仅保存模型的权重，不保存整个模型结构。
（3）history = model.fit(train_ds, validation_data=val_ds, epochs=epochs, callbacks=[checkpointer]) 这行代码使用fit方法来训练模型。它传递了以下参数：
train_ds：训练数据集；
validation_data=val_ds：验证数据集；
epochs=epochs：训练轮数；
callbacks=[checkpointer]：回调函数列表，包括之前创建的checkpointer对象。

  

七、模型评估

1、Loss and Acurracy图

python">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()

  

2、指定图片进行预测

python">
model.load_weights('best_model.h5')from PIL import Image
import numpy as np# 打开图像并转换为RGB模式
image = Image.open("./P4/Monkeypox/M06_01_04.jpg").convert("RGB")# 将图像转换为NumPy数组
numpy_image = np.array(image)# 将NumPy数组转换为Tensor
tensor_image = tf.convert_to_tensor(numpy_image, dtype=tf.float32)img_array = tf.expand_dims(tensor_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)])

预测结果为： Monkeypox

👏觉得文章对自己有用的宝子可以收藏文章并给小编点个赞！

👏想了解更多统计学、数据分析、数据开发、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！


http://www.ppmy.cn/news/1543555.html

相关文章

css 对称按钮，中间斜平行间隔，两头半圆

css 对称按钮，中间斜平行间隔，两头半圆

序：稍一看，挺好看，看也简单，实现起来应该也是一样，没什么难度，分分钟完成。后面将其他的UI做了七七八八后，到这个按钮的时候，不知怎么，突然卡机了，想不起来怎…
阅读更多...
Android——动态注册广播

Android——动态注册广播

BroadcastReceiver 发送一条广播，可以被不同的广播接收者所接收，广播接收者收到广播后再进行逻辑判断。 标准广播 通过 new BroadcastReceiver() 创建广播 通过 registerReceiver() 注册广播 通过 sendBroadcast() 发送广播 通过 unregisterReceiver(…
阅读更多...
LSTM——长短期记忆神经网络

LSTM——长短期记忆神经网络

目录 1.LSTM 工作原理 2.LSTM的代码实现 3.代码详解 LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），用于解决长序列中的长期依赖问题。它通过引入门机制，控制信息的流入、保留和输出&…
阅读更多...
Spring Boot框架下校园社团信息管理的创新实践

Spring Boot框架下校园社团信息管理的创新实践

2相关技术 2.1 MYSQL数据库 MySQL是一个真正的多用户、多线程SQL数据库服务器。 是基于SQL的客户/服务器模式的关系数据库管理系统，它的有点有有功能强大、使用简单、管理方便、安全可靠性高、运行速度快、多线程、跨平台性、完全网络化、稳定性等，非常…
阅读更多...
练习LabVIEW第二十八题

练习LabVIEW第二十八题

学习目标： 刚学了LabVIEW，在网上找了些题，练习一下LabVIEW，有不对不好不足的地方欢迎指正！ 第二十八题： 建立一个VI，模拟滚动—个骰子(骰子取值1~6)，跟踪骰子滚动后的取值出现次数…
阅读更多...
Router和route区别

Router和route区别

Router和route在Vue.js框架中扮演着不同的角色，它们有着很大的区别： 一、定义与概念 1、Router： Vue Router是Vue.js官方提供的一种路由管理器，它是一个Vue.js插件。 Router用于管理应用程序的路由规则和状态，包括…
阅读更多...
使双向链表的迭代器和vector一样支持加法和减法。

使双向链表的迭代器和vector一样支持加法和减法。

例子&#xff1a; int main() { vector<int> vec { 1,2,3,4,5,7,8,9 };auto n alg.find_binary_insert_pos(vec.begin(), vec.end(), 6);vec.insert(vec.begin() n, 6);_pn(vec);list<int> vec2 { 1,10,11,9,5 };for (auto& v : vec2) {//添加不存在的…
阅读更多...
uniapp app.onshow 和 onMounted一样用吗

uniapp app.onshow 和 onMounted一样用吗

在uni-app中&#xff0c;onShow和onMounted并不完全相同&#xff0c;它们分别属于应用生命周期和组件生命周期。‌ 应用生命周期中的onShow 在uni-app中&#xff0c;onShow是应用生命周期的一部分&#xff0c;它会在应用启动或从后台进入前台时触发。这意味着它不仅仅局限于页…
阅读更多...
最新文章

Copyright @ 2022~2023