我們來實踐一個具體的例子：熱狗識别。将基于一個小資料集對在ImageNet資料集上訓練好的ResNet模型進行微調。該小資料集含有數千張熱狗或者其他事物的圖像。我們将使用微調得到的模型來識别一張圖像中是否包含熱狗。
首先，導入實驗所需的工具包。
import tensorflow as tf
import numpy as np 擷取資料集
我們首先将資料集放在路徑hotdog/data之下:
每個類别檔案夾裡面是圖像檔案。
上一節中我們介紹了ImageDataGenerator進行圖像增強，我們可以通過以下方法讀取圖像檔案，該方法以檔案夾路徑為參數,生成經過圖像增強後的結果，并産生batch資料：
flow_from_directory(self, directory,
target_size=(256, 256), color_mode='rgb',
classes=None, class_mode='categorical',
batch_size=32, shuffle=True, seed=None,
save_to_dir=None） 主要參數：
▪ directory: 目标檔案夾路徑，對于每一個類對應一個子檔案夾，該子檔案夾中任何JPG、PNG、BNP、PPM的圖檔都可以讀取。
▪ target_size: 預設為(256, 256)，圖像将被resize成該尺寸。
▪ batch_size: batch資料的大小，預設32。
▪ shuffle: 是否打亂資料，預設為True。
我們建立兩個tf.keras.preprocessing.image.ImageDataGenerator執行個體來分别讀取訓練資料集和測試資料集中的所有圖像檔案。将訓練集圖檔全部處理為高和寬均為224像素的輸入。此外，我們對RGB(紅、綠、藍)三個顔色通道的數值做标準化。
# 擷取資料集
import pathlib
train_dir = 'transferdata/train'
test_dir = 'transferdata/test'
# 擷取訓練集資料
train_dir = pathlib.Path(train_dir)
train_count = len(list(train_dir.glob('*/*.jpg')))
# 擷取測試集資料
test_dir = pathlib.Path(test_dir)
test_count = len(list(test_dir.glob('*/*.jpg')))
# 建立imageDataGenerator進行圖像處理
image_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
# 設定參數
BATCH_SIZE = 32
IMG_HEIGHT = 224
IMG_WIDTH = 224
# 擷取訓練資料
train_data_gen = image_generator.flow_from_directory(directory=str(train_dir),
batch_size=BATCH_SIZE,
target_size=(IMG_HEIGHT, IMG_WIDTH),
shuffle=True)
# 擷取測試資料
test_data_gen = image_generator.flow_from_directory(directory=str(test_dir),
batch_size=BATCH_SIZE,
target_size=(IMG_HEIGHT, IMG_WIDTH),
shuffle=True) 下面我們随機取1個batch的圖檔然後繪制出來。
import matplotlib.pyplot as plt
# 顯示圖像
def show_batch(image_batch, label_batch):
plt.figure(figsize=(10,10))
for n in range(15):
ax = plt.subplot(5,5,n+1)
plt.imshow(image_batch[n]）
plt.axis('off')
# 随機選擇一個batch的圖像
image_batch, label_batch = next(train_data_gen)
# 圖像顯示
show_batch(image_batch, label_batch) 
模型建構與訓練
我們使用在ImageNet資料集上預訓練的ResNet-50作為源模型。這裡指定weights='imagenet'來自動下載下傳并加載預訓練的模型參數。在第一次使用時需要聯網下載下傳模型參數。
Keras應用程式(keras.applications)是具有預先訓練權值的固定架構，該類封裝了很多重量級的網絡架構，如下圖所示：
實作時執行個體化模型架構：
tf.keras.applications.ResNet50(
include_top=True, weights='imagenet', input_tensor=None, input_shape=None,
pooling=None, classes=1000, **kwargs
) 主要參數：
▪ include_top: 是否包括頂層的全連接配接層。
▪ weights: None 代表随機初始化， 'imagenet' 代表加載在 ImageNet 上預訓練的權值。
▪ input_shape: 可選，輸入尺寸元組，僅當 include_top=False 時有效，否則輸入形狀必須是 (224, 224, 3)(channels_last 格式)或 (3, 224, 224)(channels_first 格式)。它必須為 3 個輸入通道，且寬高必須不小于 32，比如 (200, 200, 3) 是一個合法的輸入尺寸。
在該案例中我們使用resNet50預訓練模型構模組化型：
# 加載預訓練模型
ResNet50 = tf.keras.applications.ResNet50(weights='imagenet', input_shape=(224,224,3))
# 設定所有層不可訓練
for layer in ResNet50.layers:
layer.trainable = False
# 設定模型
net = tf.keras.models.Sequential()
# 預訓練模型
net.add(ResNet50)
# 展開
net.add(tf.keras.layers.Flatten())
# 二分類的全連接配接層
net.add(tf.keras.layers.Dense(2, activation='softmax')) 接下來我們使用之前定義好的ImageGenerator将訓練集圖檔送入ResNet50進行訓練。
# 模型編譯：指定優化器，損失函數和評價名額net.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])# 模型訓練：指定資料，每一個epoch中隻運作10個疊代，指定驗證資料集history = net.fit(
train_data_gen,
steps_per_epoch=10,
epochs=3,
validation_data=test_data_gen,
validation_steps=10
) Epoch 1/3
10/10 [==============================] - 28s 3s/step - loss: 0.6931 - accuracy: 0.5031 - val_loss: 0.6930 - val_accuracy: 0.5094
Epoch 2/3
10/10 [==============================] - 29s 3s/step - loss: 0.6932 - accuracy: 0.5094 - val_loss: 0.6935 - val_accuracy: 0.4812
Epoch 3/3
10/10 [==============================] - 31s 3s/step - loss: 0.6935 - accuracy: 0.4844 - val_loss: 0.6933 - val_accuracy: 0.4875