《python深度学习》笔记（十八）：训练一个卷积神经网络

1.过拟合总结

1.造成过拟合的原因：

①.训练集太少，导致无法训练出能够泛化新数据的模型。

②.训练集和测试集的数据分布不一致。

③.模型本身特别复杂，深度太大。

2.解决过拟合的方法：

①针对训练集太少，可以增加训练数据。

②针对模型复杂，可以降低模型复杂度。

③权重正则化，这是解决过拟合的常用方法。

④dropout正则化，迭代过程中，随机丢弃神经网络的神经元。

⑤early stop,训练过程中，如果训练误差继续减小，但测试误差已经开始增加，此时停止训练。

⑥BN，在每层之间加上神经元的权重调成正态分布的正则化层。

⑦数据增强，从现有的数据中生成更多的训练样本。

2.在小型数据集上从头开始训练一个卷积神经网络

步骤：

①下载数据集，并创建训练集、验证集和测试集的文件夹

②数据预处理：将数据输入神经网络之前，需要将数据格式化为经过预处理的浮点数张量。读取数据，将文件解码为RGB网格像素，再转化为浮点数张量，最后将像素缩放到【0-1】之间，因为神经网络喜欢处理较小的数据。

③构建网络结构：根据数据集的大小适当调整网络的大小。网络中特征图的深度在逐渐增大，而特征图的尺寸在逐渐减小，这几乎是所有卷积神经网络结构的模式

④训练并保存模型（如果结果出现过拟合，可以针对不同情况对数据进行数据增强等，再保存模型）

因为深度学习学到的特征在不同问题之间具有可移植性，所以我们以上训练的网络可以应用于某个不相干的任务。由于每个任务又有所不同，不可能用完全一样的网络结构，所以就有了使用预训练网络的方法。

预训练网络包括特征提取和微调模型。

特征提取：在神经网络结构中，负责特征提取的层是卷积层和池化层，我们把这部分叫作模型的卷积基。特征提取就是使用之前训练好的卷积基，在改变全连接层（分类器）。

 微调模型：与特征提取互为补充，微调是指将用于特征提取的模型基进行冻结，其顶部的几层“解冻”，并将解冻的几层和新增的部分联合训练。

微调的步骤：

①在训练好的基网络上添加自定义的网络

②冻结基网络

③训练添加的部分

④解冻基网络的一些层

⑤联合训练解冻的这些层和添加的部分

顶部：可复用特征

底部：专业化特征 

完整代码：

#  在小型数据集上从头开始训练一个卷积神经网络


import os  # 对文件，文件夹执行操作的一个模块。
import shutil  # 复制文件内容，创建文件的新副本并进行归档
# 原始数据集解压目录
original_dataset_dir = 'F:/dogs_vs_cats/kaggle/train'

# 创建新的数据集，将包含三个子集
base_dir = 'F:\dogs_vs_cats\cats_and_dogs_small6'
os.mkdir(base_dir)  # 创建目录




# 创建训练集
train_dir = os.path.join(base_dir, 'train')  # 连接两个或更多的路径名组件
os.mkdir(train_dir)  # 创建目录
# 创建验证集
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
# 创建测试集
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)


# 创建猫的训练图像目录
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)
# 创建狗的训练图像目录
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)
# 创建猫的验证图像目录
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)
# 创建狗的验证图像目录
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)
# 创建猫的测试图像目录
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)
# 创建狗的测试图像目录
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)


# 将前1000张猫的图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)

# 接下来分别将500张猫的图像复制到validation_cats_dir和test_cats_dir,代码同上
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)

fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)

# 接下来是按照上面复制猫的图像方法把狗的图像划分开
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)

fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)

fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)



# 构建网络，实例化猫狗分类的小卷积神经网络
from keras import layers
from keras import models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

# 配置模型用于训练
from tensorflow.keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(learning_rate=1e-4),
              metrics=['acc'])
print(model.summary())
# 数据预处理
# 数据以 JPEG 文件的形式保存在硬盘中，所以数据预处理步骤大致如下。
# (1) 读取图像文件。
# (2) 将 JPEG 文件解码为 RGB 像素网格。
# (3) 将这些像素网格转换为浮点数张量。
# (4) 将像素值（0~255 范围内）缩放到 [0, 1] 区间（正如你所知，神经网络喜欢处理#较小的输
# 入值）。
# keras可以自动完成这些处理步骤，在keras.preprocessing.image的ImageDataGenerator类中

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator(rescale=1. / 255)  # 将所有图像缩小255倍，在0-1之间
# flow_from_directory(): 获取图像路径，生成批量增强数据。该方法只需指定数据所在的路径，而无需输入numpy形式的数据，
# 也无需输入标签值，会自动返回对应的标签值
train_generator = train_datagen.flow_from_directory(train_dir,  # 目标目录
        target_size=(150, 150),  # 调整图像大小为150*150
        batch_size=20,
        class_mode='binary')  # 使用了binary_corssentropy损失，所以用二进制标签

validation_generator = test_datagen.flow_from_directory(validation_dir,  # 目标目录
        target_size=(150, 150),  # 调整图像大小为150*150
        batch_size=20,
        class_mode='binary')  # 使用了binary_corssentropy损失，所以用二进制标签

# 利用批量生成器拟合模型

history = model.fit(
    train_generator,
    steps_per_epoch=100,  # 从生成器中抽取steps_per_epoch个批量后（即运行了steps_per_epoch次梯度下降），拟合进入到下一轮次
    epochs=30,
    validation_data=validation_generator,
    validation_steps=50)  # 从验证生成器中抽取多少个批次用于评估

# 保存模型
model.save('cats_and_dogs_small_1.h5')  # 以后可以用这个模型训练新数据

# 绘制训练过程中的损失曲线和精度曲线

import matplotlib.pyplot as plt

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

# 利用ImageDataGenerator来设置数据增强
from keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(rotation_range=40,  # 旋转
                             width_shift_range=0.2,  # 左右平移
                             height_shift_range=0.2,  # 上下平移
                             shear_range=0.2,  # 错切变换
                             zoom_range=0.2,  # 缩放变换
                             horizontal_flip=True,  # 水平翻转
                             fill_mode='nearest')  # 填充

# 显示几个随机增强后的训练图像
# from keras.preprocessing import image
import matplotlib.pyplot as plt
#
# fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]  # 返回指定路径下的文件和文件夹列表
# img_path = fnames[3]  # 编号为3的图片
# img = image.load_img(img_path, target_size=(150, 150))  # 读取图像并调整图像大小
# x = image.img_to_array(img)  # 将其转换为形状（150,150,3）的numpy数组
# x = x.reshape((1,) + x.shape)  # 将其形状改变为（1,150,150,3），原来的行踪前面加1,1为变换
#
# i = 0
# for batch in datagen.flow(x, batch_size=2):
#     plt.figure(i)
#
#     imgplot = plt.imshow(image.array_to_img(batch[0]))
#     i += 1
#     if i % 4 == 0:
#         break
# plt.show()

# 定义一个包含dropout的新卷积神经网络
from keras import layers
from keras import models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dropout(0.5))
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

from tensorflow.keras import optimizers

model.compile(loss='binary_crossentropy',
               optimizer=optimizers.RMSprop(lr=1e-4),
               metrics=['acc'])

# 使用数据增强，只对训练数据进行增强，测试数据不进行增强
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1. / 255,
                                   rotation_range=40,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   horizontal_flip=True, )
test_datagen = ImageDataGenerator(rescale=1. / 255)  # 将所有图像缩小255倍，在0-1之间
train_generator = train_datagen.flow_from_directory(train_dir,  # 目标目录
                    target_size=(150, 150),  # 调整图像大小为150*150
                    batch_size=20,
                    class_mode='binary')  # 使用了binary_corssentropy损失，所以用二进制标签
validation_generator = test_datagen.flow_from_directory(validation_dir,  # 目标目录
                    target_size=(150, 150),  # 调整图像大小为150*150
                    batch_size=20,
                    class_mode='binary')  # 使用了binary_corssentropy损失，所以用二进制标签

history = model.fit(
    train_generator,
    steps_per_epoch=100,  # 从生成器中抽取steps_per_epoch个批量后（即运行了steps_per_epoch次梯度下降），拟合进入到下一轮次
    epochs=20,
    validation_data=validation_generator,
    validation_steps=50)  # 从验证生成器中抽取多少个批次用于评估



acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()