Press "Enter" to skip to content

CNN猴痘病识别

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:  猴痘病识别 | 第45天_K同学啊的博客-CSDN博客
 作者: K同学啊

一、前期工作

 

1.设置GPU

 

from tensorflow       import keras
from tensorflow.keras import layers,models
import os, PIL, pathlib
import matplotlib.pyplot as plt
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")
    
gpus

 

2.导入数据

 

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

 

3. 查看数据

 

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

 

图片总数为: 2142

 

Monkeypox = list(data_dir.glob('Monkeypox/*.jpg'))
PIL.Image.open(str(Monkeypox[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 = 240
img_width = 240
"""
关于image_dataset_from_directory()的详细介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/117018789
"""
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)
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)

 

class_names = train_ds.class_names
print(class_names)

 

[‘Monkeypox’, ‘Others’]

 

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, 240, 240, 3)
(32,)

 

● Image_batch是形状的张量(32,240,240,3)。这是一批形状240x240x3的32张图片(最后一维指的是彩色通道RGB)。

 

● Label_batch是形状(32,)的张量,这些标签对应32张图片

 

4. 配置数据集

shuffle() :打乱数据,关于此函数的详细介绍可以参考: 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。

 

num_classes = 2
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.Dropout(0.3),  
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3,卷积核3*3
    layers.AveragePooling2D((2, 2)),               # 池化层3,2*2采样
    layers.Dropout(0.4),  
    layers.Conv2D(128, (3, 3), activation='relu'),  # 卷积层4,卷积核3*3
    layers.Dropout(0.5),
    
    layers.Flatten(),                       # Flatten层,连接卷积层与全连接层
    layers.Dense(256, activation='sigmoid'),   # 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

 

Model: "sequential_4"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
rescaling_4 (Rescaling)      (None, 240, 240, 3)       0         
_________________________________________________________________
conv2d_16 (Conv2D)           (None, 238, 238, 16)      448       
_________________________________________________________________
average_pooling2d_12 (Averag (None, 119, 119, 16)      0         
_________________________________________________________________
conv2d_17 (Conv2D)           (None, 117, 117, 32)      4640      
_________________________________________________________________
average_pooling2d_13 (Averag (None, 58, 58, 32)        0         
_________________________________________________________________
dropout_12 (Dropout)         (None, 58, 58, 32)        0         
_________________________________________________________________
conv2d_18 (Conv2D)           (None, 56, 56, 64)        18496     
_________________________________________________________________
average_pooling2d_14 (Averag (None, 28, 28, 64)        0         
_________________________________________________________________
dropout_13 (Dropout)         (None, 28, 28, 64)        0         
_________________________________________________________________
conv2d_19 (Conv2D)           (None, 26, 26, 128)       73856     
_________________________________________________________________
dropout_14 (Dropout)         (None, 26, 26, 128)       0         
_________________________________________________________________
flatten_4 (Flatten)          (None, 86528)             0         
_________________________________________________________________
dense_8 (Dense)              (None, 256)               22151424  
_________________________________________________________________
dense_9 (Dense)              (None, 2)                 514       
=================================================================
Total params: 22,249,378
Trainable params: 22,249,378
Non-trainable params: 0
_________________________________________________________________

 

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=1e-4)
model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

 

五、训练模型

 

关于 ModelCheckpoint 的详细介绍可参考文章 ModelCheckpoint 讲解【TensorFlow2入门手册】

 

from tensorflow.keras.callbacks import ModelCheckpoint
epochs = 50
checkpointer = 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])

 

Epoch 00050: val_accuracy did not improve from <strong>0.89252</strong>

 

六、模型评估

 

1. Loss与Accuracy图

 

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()

 

 

把最后全连接层ReLu换成sigmiod,val_accuracy只降低一点点,但val_loss会降低很多。

 

经验收获:

 

1.batch_size

 

Batch_size的作用:决定了下降的方向。

 

在神经网络训练时,如果数据集足够小,可将数据一次性全部喂给神经网络

 

但我们常常面临的是比较大的数据集,一次性喂给神经网络时,往往会出现内存/显存不足的现象。

 

此时,我们会把比较大的数据集,分批次喂给神经网络。

batch_size:表示一次性喂给神经网络多少数据。
batches:该值等于dataset除以batch_size。总的数据集是dataset,我们每次喂给神经网络batch_size个数据,一共要喂dataset/batch_size次,才可以把数据集全部处理一遍。
steps:该值等于batches。steps表示在一个epoch内,要迭代多少次才可以把所有的数据都训练一遍;显然,迭代次数等于dataset/batch_size。

在合理范围内,增大Batch_size的好处:

提高了内存利用率以及大矩阵乘法的并行化效率;
跑完一次epoch(全数据集)所需要的迭代次数减少,对相同的数据量,处理的速度比小的Batch_size要更快;
在一定范围内,一般来说 Batch_Size 越大,其确定的下降方向越准,引起训练震荡越小。

盲目增大Batch_size,Batch_size过大的坏处:

提高了内存利用率,但是内存容量可能撑不住;
跑完一次epoch(全数据集)所需的迭代次数减少,要想达到相同的精度,其所花费的时间大大增加,从而对参数的修正也就显得更加缓慢;
Batch_Size 增大到一定程度,其确定的下降方向已经基本不再变化(会影响随机性的引入)。

一些经验之谈:

一般而言,根据GPU显存,设置为最大,而且一般要求是8的倍数(比如16,32,64),GPU内部的并行计算效率最高。
或者选择一部分数据,设置几个8的倍数的Batch_Size,看看loss的下降情况,再选用效果更好的值。

总结:

batch_size设的大一些,收敛得快,也就是需要训练的次数少,准确率上升的也很稳定,但是实际使用起来精度不高;
batch_size设的小一些,收敛得慢,可能准确率来回震荡,因此需要把基础学习速率降低一些,但是实际使用起来精度较高。

2.输入图片的大小

 

输入网络的图片大小要根据网络结构来确定。

 

主要看pool这个操作执行了几次,比如pool是2*2的,那幺一次pool图像就缩小了一半。本实验执行了3次,就是2^3,那输入图片的尺寸就必须是2的3次方,8的倍数。

 

输入图片大小变小之后,batchsize可以调大一些。在不超内存的情况下,batch越大越好

 

3.对于学习率

 

如果学习率过大,很可能会越过最优值,反而如果学习率过小,优化的效率可能很低,导致过长的运算时间,所以学习率对于算法性能的表现十分重要。

 

优化器keras.optimizers.Adam()是解决这个问题的一个方案。其大概的思想是开始的学习率设置为一个较大的值,然后根据次数的增多,动态的减小学习率,以实现效率和效果的兼得。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。