前言

本文介紹卷積神經(jīng)網(wǎng)絡的入門案例，通過搭建和訓練一個模型，來對幾種常見的花朵進行識別分類；使用到TF的花朵數(shù)據(jù)集，它包含5類，即：“雛菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 張彩色圖片；通過搭建和訓練卷積神經(jīng)網(wǎng)絡模型，對圖像進行分類，能識別出圖像是“蒲公英”，或“玫瑰”，還是其它。

本篇文章主要的意義是帶大家熟悉卷積神經(jīng)網(wǎng)絡的開發(fā)流程，包括數(shù)據(jù)集處理、搭建模型、訓練模型、使用模型等；更重要的是解在訓練模型時遇到“過擬合”，如何解決這個問題，從而得到“泛化”更好的模型。

思路流程

• 導入數(shù)據(jù)集

• 探索集數(shù)據(jù)，并進行數(shù)據(jù)預處理

• 構(gòu)建模型（搭建神經(jīng)網(wǎng)絡結(jié)構(gòu)、編譯模型）

• 訓練模型（把數(shù)據(jù)輸入模型、評估準確性、作出預測、驗證預測）  

• 使用訓練好的模型

• 優(yōu)化模型、重新構(gòu)建模型、訓練模型、使用模型

目錄

• 導入數(shù)據(jù)集

• 探索集數(shù)據(jù)，并進行數(shù)據(jù)預處理

• 構(gòu)建模型

• 訓練模型

• 使用模型

• 優(yōu)化模型、重新構(gòu)建模型、訓練模型、使用模型（過擬合、數(shù)據(jù)增強、正則化、重新編譯和訓練模型、預測新數(shù)據(jù)）

導入數(shù)據(jù)集

使用到TF的花朵數(shù)據(jù)集，它包含5類，即：“雛菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 張彩色圖片；數(shù)據(jù)集包含5個子目錄，每個子目錄種存放一個類別的花朵圖片。

# 下載數(shù)據(jù)集
import pathlib
dataset_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"
data_dir = tf.keras.utils.get_file('flower_photos', origin=dataset_url, untar=True)
data_dir = pathlib.Path(data_dir)
# 查看數(shù)據(jù)集圖片的總數(shù)量
image_count = len(list(data_dir.glob('*/*.jpg')))
print(image_count)

探索集數(shù)據(jù)，并進行數(shù)據(jù)預處理

查看一張郁金香的圖片： 

# 查看郁金香tulips目錄下的第1張圖片；
tulips = list(data_dir.glob('tulips/*'))
PIL.Image.open(str(tulips[0]))

加載數(shù)據(jù)集的圖片，使用keras.preprocessing從磁盤上加載這些圖像。

# 定義加載圖片的一些參數(shù)，包括：批量大小、圖像高度、圖像寬度
batch_size = 32
img_height = 180
img_width = 180
# 將80％的圖像用于訓練
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,
  validation_split=0.2,
  subset="training",
  seed=123,
  image_size=(img_height, img_width),
  batch_size=batch_size)
# 將20％的圖像用于驗證
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)
# 打印數(shù)據(jù)集中花朵的類別名稱，字母順序?qū)谀夸浢Q
class_names = train_ds.class_names
print(class_names)

查看一下訓練數(shù)據(jù)集中的9張圖像

# 查看一下訓練數(shù)據(jù)集中的9張圖像
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 10))
for images, labels in train_ds.take(1):
  for i in range(9):
    ax = plt.subplot(3, 3, i + 1)
    plt.imshow(images[i].numpy().astype("uint8"))
    plt.title(class_names[labels[i]])
    plt.axis("off")

圖像形狀

傳遞這些數(shù)據(jù)集來訓練模型model.fit，可以手動遍歷數(shù)據(jù)集并檢索成批圖像：

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

能看到輸出：(32, 180, 180, 3)   (32,)

image_batch是圖片形狀的張量(32, 180, 180, 3)。32是指批量大小；180，180分別表示圖像的高度、寬度，3是顏色通道RGB。32張圖片組成一個批次。

label_batch是形狀的張量(32,)，對應32張圖片的標簽。

數(shù)據(jù)集預處理

下面進行數(shù)據(jù)集預處理，將像素的值標準化至0到1的區(qū)間內(nèi)：

# 將像素的值標準化至0到1的區(qū)間內(nèi)。
normalization_layer = layers.experimental.preprocessing.Rescaling(1./255)

為什么是除以255呢？由于圖片的像素范圍是0~255，我們把它變成0~1的范圍，于是每張圖像（訓練集、測試集）都除以255。

標準化數(shù)據(jù)

# 調(diào)用map將其應用于數(shù)據(jù)集：
normalized_ds = train_ds.map(lambda x, y: (normalization_layer(x), y))
image_batch, labels_batch = next(iter(normalized_ds))
first_image = image_batch[0]
# Notice the pixels values are now in `[0,1]`.
print(np.min(first_image), np.max(first_image))