🧡💛💚TensorFlow2实战-系列教程 总目录
有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Jupyter Notebook中进行
本篇文章配套的代码资源已经上传
1、残差连接
深度学习中出现了随着网络的堆叠效果下降的现象，Resnet使用残差连接的方法解决了这个问题，让深度学习从此变得深了起来。
残差连接的做法可以表示为：
y = f ( x ) + x ( s h o r t c u t ) y = f(x)+x(shortcut) y=f(x)+x(shortcut)
其中y表示网络最后的输出，x为输入，f(x)则表示输入经过几层网络的输出结果，比如三次卷积+三次批归一化+三次relu，一般情况下f(x)就是网络的最终输出，这里再加上x就是一个残差连接的操作。
残差连接的操作保证了，x经过网络后得到的y一定比f(x)更好的结果，最差是同等效果，也就是保证了不会出现效果降低的情况。
这个shortcut是什么意思呢？因为x经过几次卷积后，可能会出现多个特征图，也就是f(x)和x的通道数不一样了，这个时候就需要对x的通道数进行调整再与f(x)相加得到y，如果通道数一样就不需要调整了
上图就是通道数没有发生变化的情况， y = f ( x ) + x y = f(x)+x y=f(x)+x，x经过两次（卷积+批归一化+ReLU）和一次（卷积+批归一化）后得到f(x)，再加上x后经过ReLU就得到了最终的y
上图就是通道数发生变化的情况， y = f ( x ) + C o n v 2 d ( x ) y = f(x)+Conv2d(x) y=f(x)+Conv2d(x)，x经过两次（卷积+批归一化+ReLU）和一次（卷积+批归一化）后得到f(x)，x再经过一次(二维卷积+批归一化)，这个二维卷积的卷积核是1x1的，经过这个二维卷积的x再加上f(x)后经过ReLU就得到了最终的y
2、项目介绍
- dataset文件夹，将原始数据分割成训练、验证、测试三个数据集
- models构建模型的代码，包含resnet31、resnet50、resnet101、resnet152的构建代码，以及残差模块实现的代码
- original_dataset，原始数据，包含猫、狗、熊猫3个类别的数据，每个类别1000张图像
- save_model，训练模型保存的路径
- config.py 设置配置参数的代码
- evaluate.py 使用测试集对模型进行测试的代码
- prepare_data.py 数据预处理的辅助函数代码
- split_dataset.py 将原始数据集分割成训练集、验证集、测试集的代码
- train.py 训练验证的代码
3、训练脚本train.py解读------数据预处理
python
from __future__ import absolute_import, division, print_function
import tensorflow as tf
from models import resnet50, resnet101, resnet152, resnet34
import config
from prepare_data import generate_datasets
import math
if __name__ == '__main__':
# GPU settings
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
for gpu in gpus:
tf.config.experimental.set_memory_growth(gpu, True)导入项目工具包和辅助函数
配置 TensorFlow 中的 GPU 内存，：
tf.config.experimental.list_physical_devices('GPU')：这个函数调用列出了 TensorFlow 在你的机器上可用的所有 GPUif gpus:这个检查用来确认是否有可用的 GPU。如果有，它将继续对每一个 GPU 进行配置- 在循环内部，对每一个 GPU 调用
tf.config.experimental.set_memory_growth(gpu, True)，这使得 GPU 上的内存增长被启用
python
# get the original_dataset
train_dataset, valid_dataset, test_dataset, train_count, valid_count, test_count = generate_datasets()
def generate_datasets():
train_dataset, train_count = get_dataset(dataset_root_dir=config.train_dir)
valid_dataset, valid_count = get_dataset(dataset_root_dir=config.valid_dir)
test_dataset, test_count = get_dataset(dataset_root_dir=config.test_dir)
# read the original_dataset in the form of batch
train_dataset = train_dataset.shuffle(buffer_size=train_count).batch(batch_size=config.BATCH_SIZE)
valid_dataset = valid_dataset.batch(batch_size=config.BATCH_SIZE)
test_dataset = test_dataset.batch(batch_size=config.BATCH_SIZE)
return train_dataset, valid_dataset, test_dataset, train_count, valid_count, test_count
def get_dataset(dataset_root_dir):
all_image_path, all_image_label = get_images_and_labels(data_root_dir=dataset_root_dir)
# print("image_path: {}".format(all_image_path[:]))
# print("image_label: {}".format(all_image_label[:]))
# load the dataset and preprocess images
image_dataset = tf.data.Dataset.from_tensor_slices(all_image_path).map(load_and_preprocess_image)
label_dataset = tf.data.Dataset.from_tensor_slices(all_image_label)
dataset = tf.data.Dataset.zip((image_dataset, label_dataset))
image_count = len(all_image_path)
return dataset, image_count
def get_images_and_labels(data_root_dir):
# 得到所有图像路径
data_root = pathlib.Path(data_root_dir)
all_image_path = [str(path) for path in list(data_root.glob('*/*'))]
# 得到标签名字
label_names = sorted(item.name for item in data_root.glob('*/'))
# 例如：{'cats': 0, 'dogs': 1, 'panda': 2}
label_to_index = dict((index, label) for label, index in enumerate(label_names))
# 每一个图像对应的标签
all_image_label = [label_to_index[pathlib.Path(single_image_path).parent.name] for single_image_path in all_image_path]
return all_image_path, all_image_label
def load_and_preprocess_image(img_path):
# read pictures
img_raw = tf.io.read_file(img_path)
# decode pictures
img_tensor = tf.image.decode_jpeg(img_raw, channels=channels)
# resize
img_tensor = tf.image.resize(img_tensor, [image_height, image_width])
img_tensor = tf.cast(img_tensor, tf.float32)
# normalization
img = img_tensor / 255.0
return imgload_and_preprocess_image()函数：
- 通过读取一个图像的路径
- 返回Tensor
- 进去进行归一化
get_images_and_labels()函数：
- 通过数据集的地址，获取当前目录下的所有图像的名称
- 在加上前缀路径和文件后缀，得到当前所有图像的对应的地址
- 返回地址和标签
get_dataset()函数：
- 通过调用get_images_and_labels()函数，得到当前目录下的图像的对应的地址和标签
- 使用from_tensor_slices方法和load_and_preprocess_image()函数读取地址和标签转换为Tensor
- 返回标签和数据组成的Tensor以及数据量
generate_datasets()函数：
- 训练、验证、测试数据路径分别通过调用get_dataset()函数得到训练、验证、测试数据Tensor和数据量
- 对训练、验证、测试数据加上batch_size和shuffle参数
- 返回训练、验证、测试数据Tensor和数据量