目錄

一、遷移學習簡介

二、構建預訓練模型

1、調用內置模型

2、修改模型

3、構建模型

三、導入數據和預處理

1、設置batch size

2、讀取訓練數據

3、讀取驗證數據

4、讀取測試數據

5、預處理

四、模型訓練

1、設置early_stopping

2、模型編譯

3、模型設置

4、模型評估

5、保存訓練權重

五、模型預測

1、構建預測模型

2、導入權重

3、預測

4、對比分析

---

一、遷移學習簡介

遷移學習就是把預先定義好的模型，以及該模型在對應數據集上訓練得到的參數遷移到新的模型，用來幫助新模型訓練。通過遷移學習我們可以將模型已經學到的參數，分享給新模型從而加快并優化模型的學習效率，從而不用像大多數網絡那樣從零開始學習。對于小樣本學習的也可以減少過擬合或者欠擬合問題。

遷移學習的幾種實現方式：

Transfer Learning：凍結預訓練模型的全部卷積層，只訓練自己定制的全連接層。

Extract Feature Vector：先計算出預訓練模型的卷積層對所有訓練和測試數據的特征向量，然后拋開預訓練模型，只訓練自己定制的簡配版全連接網絡。

Fine-tuning：凍結預訓練模型的部分卷積層（通常是靠近輸入的多數卷積層，因為這些層保留了大量底層信息）甚至不凍結任何網絡層，訓練剩下的卷積層（通常是靠近輸出的部分卷積層）和全連接層。

二、構建預訓練模型

1、調用內置模型

調用tensorflow內置VGG19模型，下載該模型在"imagenet"數據集上預訓練權重

net = keras.applications.VGG19(weights='imagenet', include_top=False,

???????????????????????????????pooling='max')

2、修改模型

凍結卷積層，將全連接層修改為自定義數據集對應分類數。

net.trainable = False

newnet = keras.Sequential([

???? net,

???? layers.Dense(5)

])

3、構建模型

newnet.build(input_shape=(4,224,224,3))

newnet.summary()

三、導入數據和預處理

1、設置batch size

根據模型參數量和硬件環境設定batch size大小

batchsz = 128

2、讀取訓練數據

images, labels, table = load_pokemon('pokemon',mode='train')

db_train = tf.data.Dataset.from_tensor_slices((images, labels))

db_train = db_train.shuffle(1000).map(preprocess).batch(batchsz)

3、讀取驗證數據

images2, labels2, table = load_pokemon('pokemon',mode='val')

db_val = tf.data.Dataset.from_tensor_slices((images2, labels2))

db_val = db_val.map(preprocess).batch(batchsz)

4、讀取測試數據

images3, labels3, table = load_pokemon('pokemon',mode='test')

db_test = tf.data.Dataset.from_tensor_slices((images3, labels3))

db_test = db_test.map(preprocess).batch(batchsz)

5、預處理

def preprocess(x,y):

???? # x: 圖片的路徑，y：圖片的數字編碼

???? x = tf.io.read_file(x)

???? x = tf.image.decode_jpeg(x, channels=3)

???? x = tf.image.resize(x, [244, 244])

???? x = tf.image.random_flip_up_down(x)

???? x = tf.image.random_crop(x, [224,224,3])

????x = tf.cast(x, dtype=tf.float32) / 255.

??? x = normalize(x)

???? y = tf.convert_to_tensor(y)

???? y = tf.one_hot(y, depth=5)

???? return x, y

四、模型訓練

1、設置early_stopping

為防止過擬合，這里使用early_stopping，當模型在驗證集上精度變化在min_delta以內，并且持續次數達到patience以后，模型訓練即停止。

early_stopping = EarlyStopping(

???? monitor='val_accuracy',

???? min_delta=0.001,

???? patience=5

)

2、模型編譯

設置優化器，損失函數和精度衡量標準

newnet.compile(optimizer=optimizers.Adam(lr=1e-3),

???????????????loss=losses.CategoricalCrossentropy(from_logits=True),

???????????????metrics=['accuracy'])

3、模型設置

設置訓練集，驗證集，驗證頻率，迭代次數以及回調函數

newnet.fit(db_train, validation_data=db_val, validation_freq=1, epochs=20,

???????????callbacks=[early_stopping])

4、模型評估

訓練結束后，使用evaluate函數進行模型評估，了解模型最終精度情況。

newnet.evaluate(db_test)

5、保存訓練權重

newnet.save_weights('weights.ckpt')

五、模型預測

1、構建預測模型

net = keras.applications.VGG19(weights='imagenet', include_top=False,

???????????????????????????????pooling='max')

net.trainable = False

model= keras.Sequential([

???? net,

???? layers.Dense(5)

])

model.build(input_shape=(4,224,224,3))

2、導入權重

model.load_weights('weights.ckpt')

3、預測

logits = newnet.predict(x)

prob = tf.nn.softmax(logits, axis=1)

print(prob)

max_prob_index = np.argmax(prob, axis=-1)[0]

prob = prob.numpy()

max_prob = prob[0][max_prob_index]

print(max_prob)

max_index = np.argmax(logits, axis=-1)[0]

name = ['妙蛙種子', '小火龍', '超夢', '皮卡丘', '杰尼龜']

print(name[max_index])

測試圖像：

?

預測結果：

tf.Tensor([[0.78470963 0.09179451 0.03650109 0.01834733 0.06864741]], shape=(1, 5), dtype=float32)

0.78470963

妙蛙種子

4、對比分析

使用同樣測試圖像在沒有進行遷移學習訓練的模型上進行測試，輸出結果：

tf.Tensor([[0.46965462 0.0470721 ?0.20003504 0.11915307 0.16408516]], shape=(1, 5), dtype=float32)

0.46965462

妙蛙種子

從結果上看，兩個模型都能準確預測，但輸出的分類概率(遷移學習0.7847，非遷移學習0.4696)，兩者存在明顯差別，可以看出使用遷移學習能夠達到更好的擬合效果。

總結

以上是生活随笔為你收集整理的tensorflow实现宝可梦数据集迁移学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。