 Посмотреть на TensorFlow.org |  Запускаем в Google Colab |  Посмотреть на GitHub |  Скачать блокнот |  См. Модель TF Hub |
Вы когда-нибудь видели красивый цветок и задавались вопросом, что это за цветок? Что ж, вы не первый, так что давайте построим способ определения типа цветка по фотографии!
Для классификации изображений, определенный тип глубинной нейронной сети, называется сверточная нейронная сетью оказался особенно мощными. Однако современные сверточные нейронные сети имеют миллионы параметров. Для их обучения с нуля требуется много размеченных обучающих данных и большая вычислительная мощность (сотни GPU-часов и более). У нас всего около трех тысяч помеченных фотографий, и мы хотим тратить на это гораздо меньше времени, поэтому нам нужно быть более умными.
Мы будем использовать технику , называемое обучение передачи , где мы берем заранее подготовленные сети (обученные на около миллиона общих образов), использовать его для извлечения функции, и обучить новый слой для нашей задачи классификации изображений цветов.
Настраивать
import collections
import io
import math
import os
import random
from six.moves import urllib
from IPython.display import clear_output, Image, display, HTML
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import tensorflow_hub as hub
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn.metrics as sk_metrics
import time
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/compat/v2_compat.py:111: disable_resource_variables (from tensorflow.python.ops.variable_scope) is deprecated and will be removed in a future version. Instructions for updating: non-resource variables are not supported in the long term
Набор данных цветов
Набор данных цветов состоит из изображений цветов с 5 возможными метками классов.
При обучении модели машинного обучения мы разделяем наши данные на обучающие и тестовые наборы данных. Мы обучим модель на наших обучающих данных, а затем оценим, насколько хорошо модель работает на данных, которые она никогда не видела, - на тестовом наборе.
Давайте загрузим наши обучающие и тестовые примеры (это может занять некоторое время) и разделим их на обучающие и тестовые наборы.
Запустите следующие две ячейки:
FLOWERS_DIR = './flower_photos'
TRAIN_FRACTION = 0.8
RANDOM_SEED = 2018
def download_images():
"""If the images aren't already downloaded, save them to FLOWERS_DIR."""
if not os.path.exists(FLOWERS_DIR):
DOWNLOAD_URL = 'http://download.tensorflow.org/example_images/flower_photos.tgz'
print('Downloading flower images from %s...' % DOWNLOAD_URL)
urllib.request.urlretrieve(DOWNLOAD_URL, 'flower_photos.tgz')
!tar xfz flower_photos.tgz
print('Flower photos are located in %s' % FLOWERS_DIR)
def make_train_and_test_sets():
"""Split the data into train and test sets and get the label classes."""
train_examples, test_examples = [], []
shuffler = random.Random(RANDOM_SEED)
is_root = True
for (dirname, subdirs, filenames) in tf.gfile.Walk(FLOWERS_DIR):
# The root directory gives us the classes
if is_root:
subdirs = sorted(subdirs)
classes = collections.OrderedDict(enumerate(subdirs))
label_to_class = dict([(x, i) for i, x in enumerate(subdirs)])
is_root = False
# The sub directories give us the image files for training.
else:
filenames.sort()
shuffler.shuffle(filenames)
full_filenames = [os.path.join(dirname, f) for f in filenames]
label = dirname.split('/')[-1]
label_class = label_to_class[label]
# An example is the image file and it's label class.
examples = list(zip(full_filenames, [label_class] * len(filenames)))
num_train = int(len(filenames) * TRAIN_FRACTION)
train_examples.extend(examples[:num_train])
test_examples.extend(examples[num_train:])
shuffler.shuffle(train_examples)
shuffler.shuffle(test_examples)
return train_examples, test_examples, classes
# Download the images and split the images into train and test sets.
download_images()
TRAIN_EXAMPLES, TEST_EXAMPLES, CLASSES = make_train_and_test_sets()
NUM_CLASSES = len(CLASSES)
print('\nThe dataset has %d label classes: %s' % (NUM_CLASSES, CLASSES.values()))
print('There are %d training images' % len(TRAIN_EXAMPLES))
print('there are %d test images' % len(TEST_EXAMPLES))
Downloading flower images from http://download.tensorflow.org/example_images/flower_photos.tgz... Flower photos are located in ./flower_photos The dataset has 5 label classes: odict_values(['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']) There are 2934 training images there are 736 test images
Изучите данные
Набор данных цветов состоит из примеров, которые помечены изображениями цветов. Каждый пример содержит изображение цветка в формате JPEG и метку класса: какой это тип цветка. Выведем несколько изображений вместе с их ярлыками.
Показать несколько изображений с пометками
def get_label(example):
"""Get the label (number) for given example."""
return example[1]
def get_class(example):
"""Get the class (string) of given example."""
return CLASSES[get_label(example)]
def get_encoded_image(example):
"""Get the image data (encoded jpg) of given example."""
image_path = example[0]
return tf.gfile.GFile(image_path, 'rb').read()
def get_image(example):
"""Get image as np.array of pixels for given example."""
return plt.imread(io.BytesIO(get_encoded_image(example)), format='jpg')
def display_images(images_and_classes, cols=5):
"""Display given images and their labels in a grid."""
rows = int(math.ceil(len(images_and_classes) / cols))
fig = plt.figure()
fig.set_size_inches(cols * 3, rows * 3)
for i, (image, flower_class) in enumerate(images_and_classes):
plt.subplot(rows, cols, i + 1)
plt.axis('off')
plt.imshow(image)
plt.title(flower_class)
NUM_IMAGES = 15
display_images([(get_image(example), get_class(example))
for example in TRAIN_EXAMPLES[:NUM_IMAGES]])
Построить модель
Мы будем загружать TF-хаб особенность изображения векторный модуль, стек линейный классификатор по нему, а также добавить подготовки и оценки ОПС. Следующая ячейка строит граф TF, описывающий модель и ее обучение, но не запускает обучение (это будет следующим шагом).
LEARNING_RATE = 0.01
tf.reset_default_graph()
# Load a pre-trained TF-Hub module for extracting features from images. We've
# chosen this particular module for speed, but many other choices are available.
image_module = hub.Module('https://tfhub.dev/google/imagenet/mobilenet_v2_035_128/feature_vector/2')
# Preprocessing images into tensors with size expected by the image module.
encoded_images = tf.placeholder(tf.string, shape=[None])
image_size = hub.get_expected_image_size(image_module)
def decode_and_resize_image(encoded):
decoded = tf.image.decode_jpeg(encoded, channels=3)
decoded = tf.image.convert_image_dtype(decoded, tf.float32)
return tf.image.resize_images(decoded, image_size)
batch_images = tf.map_fn(decode_and_resize_image, encoded_images, dtype=tf.float32)
# The image module can be applied as a function to extract feature vectors for a
# batch of images.
features = image_module(batch_images)
def create_model(features):
"""Build a model for classification from extracted features."""
# Currently, the model is just a single linear layer. You can try to add
# another layer, but be careful... two linear layers (when activation=None)
# are equivalent to a single linear layer. You can create a nonlinear layer
# like this:
# layer = tf.layers.dense(inputs=..., units=..., activation=tf.nn.relu)
layer = tf.layers.dense(inputs=features, units=NUM_CLASSES, activation=None)
return layer
# For each class (kind of flower), the model outputs some real number as a score
# how much the input resembles this class. This vector of numbers is often
# called the "logits".
logits = create_model(features)
labels = tf.placeholder(tf.float32, [None, NUM_CLASSES])
# Mathematically, a good way to measure how much the predicted probabilities
# diverge from the truth is the "cross-entropy" between the two probability
# distributions. For numerical stability, this is best done directly from the
# logits, not the probabilities extracted from them.
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=labels)
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# Let's add an optimizer so we can train the network.
optimizer = tf.train.GradientDescentOptimizer(learning_rate=LEARNING_RATE)
train_op = optimizer.minimize(loss=cross_entropy_mean)
# The "softmax" function transforms the logits vector into a vector of
# probabilities: non-negative numbers that sum up to one, and the i-th number
# says how likely the input comes from class i.
probabilities = tf.nn.softmax(logits)
# We choose the highest one as the predicted class.
prediction = tf.argmax(probabilities, 1)
correct_prediction = tf.equal(prediction, tf.argmax(labels, 1))
# The accuracy will allow us to eval on our test set.
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
WARNING:tensorflow:From /tmp/ipykernel_3995/2879154528.py:20: calling map_fn (from tensorflow.python.ops.map_fn) with dtype is deprecated and will be removed in a future version. Instructions for updating: Use fn_output_signature instead WARNING:tensorflow:From /tmp/ipykernel_3995/2879154528.py:20: calling map_fn (from tensorflow.python.ops.map_fn) with dtype is deprecated and will be removed in a future version. Instructions for updating: Use fn_output_signature instead INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/ipykernel_launcher.py:34: UserWarning: `tf.layers.dense` is deprecated and will be removed in a future version. Please use `tf.keras.layers.Dense` instead. /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/legacy_tf_layers/core.py:255: UserWarning: `layer.apply` is deprecated and will be removed in a future version. Please use `layer.__call__` method instead. return layer.apply(inputs)
Обучите сеть
Теперь, когда наша модель построена, давайте обучим ее и посмотрим, как она работает на нашем тестовом наборе.
# How long will we train the network (number of batches).
NUM_TRAIN_STEPS = 100
# How many training examples we use in each step.
TRAIN_BATCH_SIZE = 10
# How often to evaluate the model performance.
EVAL_EVERY = 10
def get_batch(batch_size=None, test=False):
"""Get a random batch of examples."""
examples = TEST_EXAMPLES if test else TRAIN_EXAMPLES
batch_examples = random.sample(examples, batch_size) if batch_size else examples
return batch_examples
def get_images_and_labels(batch_examples):
images = [get_encoded_image(e) for e in batch_examples]
one_hot_labels = [get_label_one_hot(e) for e in batch_examples]
return images, one_hot_labels
def get_label_one_hot(example):
"""Get the one hot encoding vector for the example."""
one_hot_vector = np.zeros(NUM_CLASSES)
np.put(one_hot_vector, get_label(example), 1)
return one_hot_vector
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(NUM_TRAIN_STEPS):
# Get a random batch of training examples.
train_batch = get_batch(batch_size=TRAIN_BATCH_SIZE)
batch_images, batch_labels = get_images_and_labels(train_batch)
# Run the train_op to train the model.
train_loss, _, train_accuracy = sess.run(
[cross_entropy_mean, train_op, accuracy],
feed_dict={encoded_images: batch_images, labels: batch_labels})
is_final_step = (i == (NUM_TRAIN_STEPS - 1))
if i % EVAL_EVERY == 0 or is_final_step:
# Get a batch of test examples.
test_batch = get_batch(batch_size=None, test=True)
batch_images, batch_labels = get_images_and_labels(test_batch)
# Evaluate how well our model performs on the test set.
test_loss, test_accuracy, test_prediction, correct_predicate = sess.run(
[cross_entropy_mean, accuracy, prediction, correct_prediction],
feed_dict={encoded_images: batch_images, labels: batch_labels})
print('Test accuracy at step %s: %.2f%%' % (i, (test_accuracy * 100)))
Test accuracy at step 0: 22.01% Test accuracy at step 10: 52.04% Test accuracy at step 20: 63.99% Test accuracy at step 30: 69.97% Test accuracy at step 40: 74.59% Test accuracy at step 50: 75.00% Test accuracy at step 60: 75.00% Test accuracy at step 70: 78.26% Test accuracy at step 80: 80.98% Test accuracy at step 90: 79.21% Test accuracy at step 99: 80.30%
def show_confusion_matrix(test_labels, predictions):
"""Compute confusion matrix and normalize."""
confusion = sk_metrics.confusion_matrix(
np.argmax(test_labels, axis=1), predictions)
confusion_normalized = confusion.astype("float") / confusion.sum(axis=1)
axis_labels = list(CLASSES.values())
ax = sns.heatmap(
confusion_normalized, xticklabels=axis_labels, yticklabels=axis_labels,
cmap='Blues', annot=True, fmt='.2f', square=True)
plt.title("Confusion matrix")
plt.ylabel("True label")
plt.xlabel("Predicted label")
show_confusion_matrix(batch_labels, test_prediction)
Неверные прогнозы
Давайте более подробно рассмотрим тестовые примеры, в которых наша модель ошибалась.
- Есть ли в нашем наборе тестов примеры с неправильной маркировкой?
- Есть ли в тестовом наборе плохие данные - изображения, которые на самом деле не являются изображениями цветов?
- Есть ли изображения, на которых можно понять, почему модель ошиблась?
incorrect = [
(example, CLASSES[prediction])
for example, prediction, is_correct in zip(test_batch, test_prediction, correct_predicate)
if not is_correct
]
display_images(
[(get_image(example), "prediction: {0}\nlabel:{1}".format(incorrect_prediction, get_class(example)))
for (example, incorrect_prediction) in incorrect[:20]])
Упражнения: Улучшайте модель!
Мы обучили базовую модель, теперь давайте попробуем улучшить ее, чтобы добиться большей точности. (Помните, что вам нужно будет повторно запустить ячейки, когда вы внесете изменения.)
Упражнение 1. Попробуйте другую модель изображения.
С TF-Hub просто попробовать несколько разных моделей изображений. Просто замените "https://tfhub.dev/google/imagenet/mobilenet_v2_050_128/feature_vector/2" ручку в hub.Module() вызова с ручкой различного модуля и повторите весь код. Вы можете увидеть все доступные модули изображения в tfhub.dev .
Выбор хороший может быть один из других модулей MobileNet V2 . Многие из модулей - включая MobileNet модули - прошли обучение на ImageNet набор данных , который содержит более 1 миллионов изображений и 1000 классов. Выбор сетевой архитектуры обеспечивает компромисс между скоростью и точностью классификации: такие модели, как MobileNet или NASNet Mobile, быстрые и компактные, более традиционные архитектуры, такие как Inception и ResNet, были разработаны для обеспечения точности.
Для большей архитектуры Inception V3, вы можете также исследовать преимущества предварительной подготовки на домене ближе к вашей собственной задаче: он также доступен как модуль обученного на iNaturalist набора растений и животных.
Упражнение 2: Добавьте скрытый слой.
Стек скрытый слой между извлеченными признаками изображения и линейным классификатором (в функции create_model() выше). Для того, чтобы создать нелинейную скрытый слой , например , 100 узлов, использование tf.layers.dense с блоками , установленными на 100 и набор активации к tf.nn.relu . Влияет ли изменение размера скрытого слоя на точность теста? Повышает ли точность добавление второго скрытого слоя?
Упражнение 3: Измените гиперпараметры.
Есть ли большее количество учебных шагов повышает конечную точность? Вы можете изменить скорость обучения , чтобы сделать вашу модель сходиться быстрее? Влияет ли обучение размер партии производительность вашей модели?
Упражнение 4. Попробуйте другой оптимизатор.
Заменить основной GradientDescentOptimizer с более усложняет оптимизатором, например AdagradOptimizer . Имеет ли значение для вашего модельного обучения? Если вы хотите узнать больше о преимуществах различных алгоритмов оптимизации, проверить этот пост .
Хотите узнать больше?
Если вы заинтересованы в более продвинутой версии этого руководства, проверьте TensorFlow изображения переподготовки учебника , который проведет вас через визуализацию обучения с использованием TensorBoard, передовые технологий , как набор данных увеличения путем искажения изображения, и заменяя цветы DataSet , чтобы узнать об классификатором изображениях на ваш собственный набор данных.
Вы можете узнать больше о TensorFlow в tensorflow.org и обратитесь к документации по API TF-Hub доступен на tensorflow.org/hub . Найти доступные модули TensorFlow хаб в tfhub.dev , включая более художественные изображения векторных модули и модули текста встраиванию.
Кроме того, проверить машинное обучение ускоренный курс , который быстро развивающийся, практическое внедрение Google для машинного обучения.