实战 迁移学习 VGG19、ResNet50、InceptionV3 实践 猫狗大战 问题

实战 迁移学习 VGG19、ResNet50、InceptionV3 实践 猫狗大战 问题

 

参考博客:::https://blog.csdn.net/pengdali/article/details/79050662

 

 

2018年01月13日 12:52:14 pengdali 阅读数 10417

 

一、实践流程

1、数据预处理

主要是对训练数据进行随机偏移、转动等变换图像处理，这样可以尽可能让训练数据多样化

另外处理数据方式采用分批无序读取的形式，避免了数据按目录排序训练

 

1.  
   #数据准备
2.  
   def DataGen(self, dir_path, img_row, img_col, batch_size, is_train):
3.  
   if is_train:
4.  
   datagen = ImageDataGenerator(rescale=1./255,
5.  
   zoom_range=0.25, rotation_range=15.,
6.  
   channel_shift_range=25., width_shift_range=0.02, height_shift_range=0.02,
7.  
   horizontal_flip=True, fill_mode='constant')
8.  
   else:
9.  
   datagen = ImageDataGenerator(rescale=1./255)
10.  
     
11.  
    generator = datagen.flow_from_directory(
12.  
    dir_path, target_size=(img_row, img_col),
13.  
    batch_size=batch_size,
14.  
    shuffle=is_train)
15.  
     
16.  
    return generator

2、载入现有模型

 

这个部分是核心工作，目的是使用ImageNet训练出的权重来做我们的特征提取器，注意这里后面的分类层去掉

 

1.  
   base_model = InceptionV3(weights='imagenet', include_top=False, pooling=None,
2.  
   input_shape=(img_rows, img_cols, color),
3.  
   classes=nb_classes)

然后是冻结这些层，因为是训练好的

 

1.  
   for layer in base_model.layers:
2.  
   layer.trainable = False

而分类部分，需要我们根据现有需求来新定义的，这里可以根据实际情况自己进行调整，比如这样

1.  
   x = base_model.output
2.  
   # 添加自己的全链接分类层
3.  
   x = GlobalAveragePooling2D()(x)
4.  
   x = Dense(1024, activation='relu')(x)
5.  
   predictions = Dense(nb_classes, activation='softmax')(x)

或者

 

1.  
   x = base_model.output
2.  
   #添加自己的全链接分类层
3.  
   x = Flatten()(x)
4.  
   predictions = Dense(nb_classes, activation='softmax')(x)

3、训练模型

这里我们用fit_generator函数，它可以避免了一次性加载大量的数据，并且生成器与模型将并行执行以提高效率。比如可以在CPU上进行实时的数据提升，同时在GPU上进行模型训练

 

1.  
   history_ft = model.fit_generator(
2.  
   train_generator,
3.  
   steps_per_epoch=steps_per_epoch,
4.  
   epochs=epochs,
5.  
   validation_data=validation_generator,
6.  
   validation_steps=validation_steps)

二、猫狗大战数据集

 

训练数据540M，测试数据270M，大家可以去官网下载

https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data

下载后把数据分成dog和cat两个目录来存放

三、训练

训练的时候会自动去下权值，比如vgg19_weights_tf_dim_ordering_tf_kernels_notop.h5，但是如果我们已经下载好了的话，可以改源代码，让他直接读取我们的下载好的权值，比如在resnet50.py中

1、VGG19

vgg19的深度有26层，参数达到了549M，原模型最后有3个全连接层做分类器所以我还是加了一个1024的全连接层，训练10轮的情况达到了89%

2、ResNet50

ResNet50的深度达到了168层，但是参数只有99M，分类模型我就简单点，一层直接分类，训练10轮的达到了96%的准确率

3、inception_v3

InceptionV3的深度159层，参数92M，训练10轮的结果

这是一层直接分类的结果

这是加了一个512全连接的，大家可以随意调整测试

 

四、完整的代码

 

1.  
   # -*- coding: utf-8 -*-
2.  
   import os
3.  
   from keras.utils import plot_model
4.  
   from keras.applications.resnet50 import ResNet50
5.  
   from keras.applications.vgg19 import VGG19
6.  
   from keras.applications.inception_v3 import InceptionV3
7.  
   from keras.layers import Dense,Flatten,GlobalAveragePooling2D
8.  
   from keras.models import Model,load_model
9.  
   from keras.optimizers import SGD
10.  
    from keras.preprocessing.image import ImageDataGenerator
11.  
    import matplotlib.pyplot as plt
12.  
     
13.  
    class PowerTransferMode:
14.  
    #数据准备
15.  
    def DataGen(self, dir_path, img_row, img_col, batch_size, is_train):
16.  
    if is_train:
17.  
    datagen = ImageDataGenerator(rescale=1./255,
18.  
    zoom_range=0.25, rotation_range=15.,
19.  
    channel_shift_range=25., width_shift_range=0.02, height_shift_range=0.02,
20.  
    horizontal_flip=True, fill_mode='constant')
21.  
    else:
22.  
    datagen = ImageDataGenerator(rescale=1./255)
23.  
     
24.  
    generator = datagen.flow_from_directory(
25.  
    dir_path, target_size=(img_row, img_col),
26.  
    batch_size=batch_size,
27.  
    #class_mode='binary',
28.  
    shuffle=is_train)
29.  
     
30.  
    return generator
31.  
     
32.  
    #ResNet模型
33.  
    def ResNet50_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=2, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):
34.  
    color = 3 if RGB else 1
35.  
    base_model = ResNet50(weights='imagenet', include_top=False, pooling=None, input_shape=(img_rows, img_cols, color),
36.  
    classes=nb_classes)
37.  
     
38.  
    #冻结base_model所有层，这样就可以正确获得bottleneck特征
39.  
    for layer in base_model.layers:
40.  
    layer.trainable = False
41.  
     
42.  
    x = base_model.output
43.  
    #添加自己的全链接分类层
44.  
    x = Flatten()(x)
45.  
    #x = GlobalAveragePooling2D()(x)
46.  
    #x = Dense(1024, activation='relu')(x)
47.  
    predictions = Dense(nb_classes, activation='softmax')(x)
48.  
     
49.  
    #训练模型
50.  
    model = Model(inputs=base_model.input, outputs=predictions)
51.  
    sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)
52.  
    model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
53.  
     
54.  
    #绘制模型
55.  
    if is_plot_model:
56.  
    plot_model(model, to_file='resnet50_model.png',show_shapes=True)
57.  
     
58.  
    return model
59.  
     
60.  
     
61.  
    #VGG模型
62.  
    def VGG19_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=2, img_rows=197, img_cols=197, RGB=True, is_plot_model=False):
63.  
    color = 3 if RGB else 1
64.  
    base_model = VGG19(weights='imagenet', include_top=False, pooling=None, input_shape=(img_rows, img_cols, color),
65.  
    classes=nb_classes)
66.  
     
67.  
    #冻结base_model所有层，这样就可以正确获得bottleneck特征
68.  
    for layer in base_model.layers:
69.  
    layer.trainable = False
70.  
     
71.  
    x = base_model.output
72.  
    #添加自己的全链接分类层
73.  
    x = GlobalAveragePooling2D()(x)
74.  
    x = Dense(1024, activation='relu')(x)
75.  
    predictions = Dense(nb_classes, activation='softmax')(x)
76.  
     
77.  
    #训练模型
78.  
    model = Model(inputs=base_model.input, outputs=predictions)
79.  
    sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)
80.  
    model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
81.  
     
82.  
    # 绘图
83.  
    if is_plot_model:
84.  
    plot_model(model, to_file='vgg19_model.png',show_shapes=True)
85.  
     
86.  
    return model
87.  
     
88.  
    # InceptionV3模型
89.  
    def InceptionV3_model(self, lr=0.005, decay=1e-6, momentum=0.9, nb_classes=2, img_rows=197, img_cols=197, RGB=True,
90.  
    is_plot_model=False):
91.  
    color = 3 if RGB else 1
92.  
    base_model = InceptionV3(weights='imagenet', include_top=False, pooling=None,
93.  
    input_shape=(img_rows, img_cols, color),
94.  
    classes=nb_classes)
95.  
     
96.  
    # 冻结base_model所有层，这样就可以正确获得bottleneck特征
97.  
    for layer in base_model.layers:
98.  
    layer.trainable = False
99.  
     
100.  
     x = base_model.output
101.  
     # 添加自己的全链接分类层
102.  
     x = GlobalAveragePooling2D()(x)
103.  
     x = Dense(1024, activation='relu')(x)
104.  
     predictions = Dense(nb_classes, activation='softmax')(x)
105.  
      
106.  
     # 训练模型
107.  
     model = Model(inputs=base_model.input, outputs=predictions)
108.  
     sgd = SGD(lr=lr, decay=decay, momentum=momentum, nesterov=True)
109.  
     model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
110.  
      
111.  
     # 绘图
112.  
     if is_plot_model:
113.  
     plot_model(model, to_file='inception_v3_model.png', show_shapes=True)
114.  
      
115.  
     return model
116.  
      
117.  
     #训练模型
118.  
     def train_model(self, model, epochs, train_generator, steps_per_epoch, validation_generator, validation_steps, model_url, is_load_model=False):
119.  
     # 载入模型
120.  
     if is_load_model and os.path.exists(model_url):
121.  
     model = load_model(model_url)
122.  
      
123.  
     history_ft = model.fit_generator(
124.  
     train_generator,
125.  
     steps_per_epoch=steps_per_epoch,
126.  
     epochs=epochs,
127.  
     validation_data=validation_generator,
128.  
     validation_steps=validation_steps)
129.  
     # 模型保存
130.  
     model.save(model_url,overwrite=True)
131.  
     return history_ft
132.  
      
133.  
     # 画图
134.  
     def plot_training(self, history):
135.  
     acc = history.history['acc']
136.  
     val_acc = history.history['val_acc']
137.  
     loss = history.history['loss']
138.  
     val_loss = history.history['val_loss']
139.  
     epochs = range(len(acc))
140.  
     plt.plot(epochs, acc, 'b-')
141.  
     plt.plot(epochs, val_acc, 'r')
142.  
     plt.title('Training and validation accuracy')
143.  
     plt.figure()
144.  
     plt.plot(epochs, loss, 'b-')
145.  
     plt.plot(epochs, val_loss, 'r-')
146.  
     plt.title('Training and validation loss')
147.  
     plt.show()
148.  
      
149.  
      
150.  
     if __name__ == '__main__':
151.  
     image_size = 197
152.  
     batch_size = 32
153.  
      
154.  
     transfer = PowerTransferMode()
155.  
      
156.  
     #得到数据
157.  
     train_generator = transfer.DataGen('data/cat_dog_Dataset/train', image_size, image_size, batch_size, True)
158.  
     validation_generator = transfer.DataGen('data/cat_dog_Dataset/test', image_size, image_size, batch_size, False)
159.  
      
160.  
     #VGG19
161.  
     #model = transfer.VGG19_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=False)
162.  
     #history_ft = transfer.train_model(model, 10, train_generator, 600, validation_generator, 60, 'vgg19_model_weights.h5', is_load_model=False)
163.  
      
164.  
     #ResNet50
165.  
     model = transfer.ResNet50_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=False)
166.  
     history_ft = transfer.train_model(model, 10, train_generator, 600, validation_generator, 60, 'resnet50_model_weights.h5', is_load_model=False)
167.  
      
168.  
     #InceptionV3
169.  
     #model = transfer.InceptionV3_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=True)
170.  
     #history_ft = transfer.train_model(model, 10, train_generator, 600, validation_generator, 60, 'inception_v3_model_weights.h5', is_load_model=False)
171.  
      
172.  
     # 训练的acc_loss图
173.  
     transfer.plot_training(history_ft)