最新微软官方MSDN原版Win10系统下载

深度优化版 电脑公司专业版 XP旗舰版 XP专业版64位 Win10正式版
当前位置: 主页 > IT资讯 > 评测

情人节选花神器—深度学习指南

时间:2024-11-04    来源:佚名    人气:

大鹏说 :本文约1200字,阅读需要4分钟。本文讲述了利用深度学习原理实现自动识别花卉品种的过程。成果优秀,令人惊奇,绝对是情人节选花神助手~

关键词:阿里云 Python 邮件 星座

p.s.文末有源代码分享

转眼,一年一度的情人节又到了。每个情人节我总要面临一个问题:如何给我的女盆友们买花?花店里琳琅满目的花,我又不认识,万一买错品种了,我将会永远失去她们。我决定搞一个模型来帮我完成花的识别工作。

为了掌握花卉的鉴别能力,我特地找了海量的花卉图片以供赏析。

一共14个品种的花:


image

每个品种共1000张艳照,共计14000张:


image

如何让机器能够准确识别这些花的品种,很简单,一遍一遍反复的学习,直到能认准为止——“一遍一遍反复学习”这一行为,我们称之为深度学习。

学习要讲究方法,比如如何区分玫瑰和菊花,很简单,玫瑰一般为红色,花朵是卷起来的,而菊花是黄灿灿的,花朵的形状…大家都懂的。这种提取特征的学习方法,我们通常称之为卷积。

先导入用于深度学习的python包,我们使用Keras框架


因为Keras框架本身是基于tensorflow构建的,性能卓著,又不需要tensorflow超高难度的代码编写,封装十分彻底,用法与skitlearn类似。

在开始组织神经网络前,我们先定义一些参数,方便调试与修改。


下面是每个参数的解释:

IMG_W,IMG_H:用于模型学习的图片尺寸。
因为我们的样本图片尺寸各不相同,而模型学习需要大小统一的图片,所有这里设定其宽高。研究表明正方形的图片在模型拟合方面,效果优于长方形的图片,所以这里长宽设置相同。特别注意,图片尺寸越大,训练花费时间越久,所以千万不要设置如1920*1920分辨率大小,否则就算等到天荒地老模型也训练不完。

CLASS:图片的分类数量,
我们一共有14种花,所以,设置为14。

EPOCHS:训练周期。
模型把所有样本图片都训练一次为一周期,而需要训练成一个准确率较高的模型,一个周期显然不行。这里我们可以自由设置周期大小,我一般设置5-40个周期,循环结束保存模型,接着继续。

BATCH_SIZE:批次大小。
按理说一个周期里,我们可以把所有图片一股脑丢给机器训练,但是我们显卡的显存或者CPU的内存只有那么大,放多了容易溢出,也就是常说的爆显存,所以我们要设置个批次,把图片一批一批喂给模型训练,我这里设置为一批64张图片,如果你的显卡性能略差可以设置成32或者更小。

TRAIN_PATH:存放训练集的路径。

TEST_PATH:存放测试集的路径。

LEARNING_RATE:学习率,模型学习的速度。
并不是越快越好(数字越大),越快容易造成模型震荡,无法收敛,也就是没有训练效果。1e-4是科学计数法,为0.0001。这里学习率一般设置有几个选择1e-1,1e-2,1e-3,1e-4。通常探索阶段,设置的小一点。

DROPOUT_RATE:每次训练不工作的神经元百分比。
在模型训练中,我们通常会遇到一个问题,过拟合。也就是说在训练集上准确率很高,而测试集上准确率很低。这里设置一个DROPOUT参数,定义每一次训练,随机一定百分比的部分不参与训练,这样会起到抵抗过拟合的效果。

主要是定义训练集和测试集的图片标准。两者都有的一个参数为rescale,因为图片是RGB色彩,颜色范围从0-255,rescale,使数据归一化为0-1的范围。但是在训练集中我们还定义了旋转,平移,缩放等功能,这些操作的目的是随机变换输入的图片样式,增加样本量。注意!这一步操作仅仅只是确定了功能,并没有对任何图片进行操作,相当于先构建了一个模具。

然后,我们开始搭建神经网络:


先用Sequential()定义一个模型对象,再往里面添加神经网络层。模型结构大致为两个卷积层,一个池化层,共三组,再增加两个全连接层,最终输出为10大类。

我再把网络结构进行可视化,以便更直观地观察模型。


绘制的结构图如下:


image

再来讲一讲如何构建合理的网络结构。一般为1-2个卷积层,加1个池化层,共2-3组,最后增加1-2个全连接层输出,结构没有定式,但如果样本太少,建议层数不宜过多,容易过拟合。

设置好网络结构,我们设置优化器,这里使用adam优化器,使用梯度下降法优化模型,并返回准确率。


lr:学习率,数值为脚本开头设置的数值大小。

loss:损失函数,用于衡量模型误差,模型训练的目的就是让损失函数的值尽可能小,这里我们使用交叉熵代价函数。

metrics:返回准确率。

最后,生成训练集和测试集的迭代器,用于把图片按一定批次大小传入模型训练。


增加判定机制,如果文件夹下没有已训练的模型,那么从头开始训练,如果已有训练过的模型,那么在此基础上,继续训练:


构建好所有内容,使用fit_generator()拟合模型:


传入训练集和测试集迭代器,传入周期,传入迭代的步数。

模型拟合完毕,保存模型结构,用于预测和再次训练:



运行脚本~


image

这里会先显示训练集和测试集的样本大小,分类数量,分类名称。如果是使用GPU训练模型,这里还会显示显卡参数。强烈建议使用GPU模式。因为根据运行后的结果,模型在训练200个周期以上后,准确率才能达到80%,一个周期平均1分钟,而使用CPU模式,则要30分钟左右,效率差距巨大。

接下来,正式开始训练,会显示批次,步数,准确率等信息,一开始准确率是很低的。只有7%,约等于1/14,完全随机:


image

训练一段时间后,准确率会上升:


image

这里我训练超过200个周期以后,准确率达到约80%。这里注意,前200个周期我设置了0.5的dropout,发现模型提升速度比较慢,建议数值可以设置小一点,甚至为0。

经过漫长的训练,我训练了约400个周期。模型最终效果如图所示:


image

训练集准确率大于90%,而测试集准确率约84%。我发现再继续训练,训练集准确率还能再提高,但测试集准确率几乎提高不了了,过拟合情况越来越严重,这时,果断停止训练。

模型训练好了,那么我们采用实际的案例来测试下效果。我从花店拍了一些不同花卉的照片如下:


image

写一个简单的脚本,功能为导入训练好的模型,再把用于预测的图片转换成模型的对应格式。比如尺寸为224*224~


然后,遍历文件夹下的图片进行预测:


结果如下:


image

预测准确率达到百分之百,鼓掌~!!!!!

经过了层层挑战,我终于完成了机器识花的工作,准备去给我的女盆友们买花了!大家也快关注“大鹏教你玩数据”后在后台回复【30】,获取源代码和学习素材学起来吧~

免费获取【1.6G AI学习资料】和其他福利,请加QQ群:837627861
转载请在公众号后台联系小编,请勿擅自转载。

推荐文章

  • 虾米音乐和酷我音乐功能对比

    虾米音乐和酷我音乐功能对比

    除了长期占据领军地位的QQ音乐和网易云音乐外,同样主打高品质音乐的虾米音乐和酷我音乐在国内也不乏拥趸,且两者均有极佳的口...
    2019-10-01

公众号

平台注册入口