Press "Enter" to skip to content

CNN天气识别

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 本文为 365天深度学习训练营  中的学习记录博客
 参考文章地址:  天气识别 | 第5天_K同学啊的博客-CSDN博客
 作者: K同学啊

本文将采用CNN实现多云、下雨、晴、日出四种天气状态的识别。

 

本文为了增加模型的泛化能力, 新增了Dropout层 并且 将最大池化层调整成了平均池化层。

 

一、前期工作

 

1. 设置GPU

 

如果使用的是CPU可以忽略这步

 

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")
if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU,仅使用第0个GPU
    tf.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")

 

2.导入数据

 

import matplotlib.pyplot as plt
import os,PIL
# 设置随机种子尽可能使结果可以重现
import numpy as np
np.random.seed(1)
# 设置随机种子尽可能使结果可以重现
import tensorflow as tf
tf.random.set_seed(1)
from tensorflow import keras
from tensorflow.keras import layers,models
import pathlib

 

data_dir = "./weather_photos/"
data_dir = pathlib.Path(data_dir)

 

3. 查看数据

 

数据集一共分为 cloudyrainshinesunrise 四类,存放于 weather_photos 文件夹中以各自名字命名的子文件夹中。

 

image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为:",image_count) # 1125

 

roses = list(data_dir.glob('sunrise/*.jpg'))
PIL.Image.open(str(roses[0]))

 

 

二、数据预处理

 

1.加载数据

 

使用 image_dataset_from_directory 方法将磁盘中的数据加载到 tf.data.Dataset

 

batch_size = 32
img_height = 180
img_width = 180

 

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)

 

Found 1125 files belonging to 4 classes.
Using 900 files for training.

 

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)

 

Found 1125 files belonging to 4 classes.
Using 225 files for validation.

 

可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

 

class_names = train_ds.class_names
print(class_names)

 

['cloudy', 'rain', 'shine', 'sunrise']

 

注:

 

如果你的目录结构是:

 

main_directory/  …class_a/  …a_image_1.jpg  …a_image_2.jpg  …class_b/  …b_image_1.jpg  …b_image_2.jpg

 

然后调用 image_dataset_from_directory(main_directory, labels=‘inferred’) 将返回一个tf.data.Dataset, 该数据集从子目录class_a和class_b生成批次图像,同时生成标签0和1(0对应class_a,1对应class_b),

 

支持的图像格式:jpeg, png, bmp, gif. 动图被截断到第一帧。

 

详细介绍可以参考文章: image_dataset_from_directory 简介

 

2.可视化数据

 

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")

 

 

3. 再次检查数据

 

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

 

(32, 180, 180, 3)
(32,)

 

Image_batch
Label_batch

 

4. 配置数据集

shuffle() :打乱数据,详情可以参考: 数据集shuffle方法中buffer_size的理解 – 知乎
prefetch() :预取数据,加速运行

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() 可显着减少空闲时间:

 

cache() :将数据集缓存到内存当中,加速运行

AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

 

三、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)。

 

num_classes = 4
"""
layers.Dropout(0.4) 作用是防止过拟合,提高模型的泛化能力。
在文章花朵识别中,训练准确率与验证准确率相差巨大就是由于模型过拟合导致的
关于Dropout层的更多介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/115826689
"""
model = 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)), # 卷积层1,卷积核3*3  
    layers.AveragePooling2D((2, 2)),               # 池化层1,2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2,卷积核3*3
    layers.AveragePooling2D((2, 2)),               # 池化层2,2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3,卷积核3*3
    layers.Dropout(0.3),  
    
    layers.Flatten(),                       # Flatten层,连接卷积层与全连接层
    layers.Dense(128, activation='relu'),   # 全连接层,特征进一步提取
    layers.Dense(num_classes)               # 输出层,输出预期结果
])
model.summary()  # 打印网络结构

 

 

四、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。

# 设置优化器
opt = tf.keras.optimizers.Adam(learning_rate=0.001)
model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

 

五、训练模型

 

epochs = 10
history = model.fit(
  train_ds,
  validation_data=val_ds,
  epochs=epochs
)

 

 

六、模型评估

 

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()

 

 

思考:1.最大池化与平均池化的区别是什幺呢?2.学习率是不是越大越好,优化器该如何设置呢?

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。