上一篇：4 Tensorflow图像识别模型——数据预处理-CSDN博客

1、数据集标签

上一篇介绍了图像识别的数据预处理，下面是完整的代码：

import os
import tensorflow as tf# 获取训练集和验证集目录
train_dir = os.path.join('cats_and_dogs_filtered/train')
validation_dir = os.path.join('cats_and_dogs_filtered/validation')# 模型参数设置
BATCH_SIZE = 100# 图片尺寸统一为150*150
IMG_SHAPE = 150# 处理图像尺寸
img_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255, horizontal_flip=True, )train_data_gen = img_generator.flow_from_directory(directory=train_dir,shuffle=True,batch_size=BATCH_SIZE,target_size=(IMG_SHAPE, IMG_SHAPE),class_mode='binary')
val_data_gen = img_generator.flow_from_directory(directory=validation_dir,shuffle=True,batch_size=BATCH_SIZE,target_size=(IMG_SHAPE, IMG_SHAPE),class_mode='binary')

上一篇提到系统的输入是“特征-标签”对，特征是输入的图片，标签就是标记该图片是猫还是狗。上面的代码如何知道输入的照片是猫还是狗？

这里用到了keras的一个函数flow_from_directory()，从目录中生成数据流，子目录会自动帮你生成标签。先看看train训练集的这两个子目录生成的标签是什么:

使用下面代码查看

print(train_data_gen.class_indices)

运行结果：

Found 2000 images belonging to 2 classes.
Found 1000 images belonging to 2 classes.
{'cats': 0, 'dogs': 1}

从运行结果可以看到，猫的照片系统自动打上了0的标签，狗的标签是1。

2、Relu激活函数

构建模型的完整代码如下：

import os
import tensorflow as tf
import numpy as np# 获取训练集和验证集目录
train_dir = os.path.join('cats_and_dogs_filtered/train')
validation_dir = os.path.join('cats_and_dogs_filtered/validation')# 模型参数设置
BATCH_SIZE = 100# 图片尺寸统一为150*150
IMG_SHAPE = 150# 处理图像尺寸
img_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255, horizontal_flip=True, )# 训练数据
train_data_gen = img_generator.flow_from_directory(directory=train_dir,shuffle=True,batch_size=BATCH_SIZE,target_size=(IMG_SHAPE, IMG_SHAPE),class_mode='binary')# 验证数据
val_data_gen = img_generator.flow_from_directory(directory=validation_dir,shuffle=True,batch_size=BATCH_SIZE,target_size=(IMG_SHAPE, IMG_SHAPE),class_mode='binary')model = tf.keras.Sequential([tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(100, (3, 3), activation='relu'),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Flatten(),tf.keras.layers.Dense(512, activation='relu'),tf.keras.layers.Dense(2)])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])EPOCHS = 20
history = model.fit_generator(train_data_gen,steps_per_epoch=int(np.ceil(2000 / float(BATCH_SIZE))),epochs=EPOCHS,validation_data=val_data_gen,validation_steps=int(np.ceil(1000 / float(BATCH_SIZE)))
)

model中加入了和之前不一样的代码：

tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),

这里使用了卷积神经，主要是为了突出区分不同对象的特征。一张图片的信息很多的，但往往我们只需要一些特征进行训练就可以了，后续会详细介绍。

现在先介绍 activation='relu'，激活函数Relu。

ReLU，全称是线性整流函数（Rectified Linear Unit），是人工神经网络中常用的激活函数。它的图像如下：

当x<=0时，f(x)=0;

当x>0时，f(x)=x;

可以运行代码看看：

例1：

import tensorflow as tfx = -19
print(tf.nn.relu(x))

运行结果：
tf.Tensor(0, shape=(), dtype=int32)

输入-19，使用relu激活函数后的结果为0

例2：

import tensorflow as tfx = 8
print(tf.nn.relu(x))

运行结果：

tf.Tensor(8, shape=(), dtype=int32)

3、损失函数

代码：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy']
              )
 

其中损失函数为SparseCategoricalCrossentropy，它是用于计算多分类问题的交叉熵，如果是两个或两个以上的分类问题可以始终这样设置。对其原理及计算过程的读者可以自行百度，此处不详细介绍。

4、训练过程详解

（1）训练准确率

运行上面的完整代码：

可以看到训练集和验证集的loss值在慢慢下降，准确率在提升。

划线部分是最后一个epoch的训练结果：

accuracy：0.8175，也就是说你的神经网络在分类训练数据方面的准确率约为82%；

val_accuracy：0.7160，在验证集的准确率约为72%

（2）batch_size批次大小

代码中batche_size设置的大小为100，意思是每批次生成的样本数量为100。

例如上述代码的train训练集一共有2000张图片，一个周期（epoch）分20个批次(2000/100=20)样本数据进行训练，每个批次训练完后利用优化器更新模型参数。

所以一个周期（epoch）的模型参数更新次数就是20：2000/batch_size=20

截图中红色部分，就是一个epoch分了20个批次用来更新模型参数。

训练结果会因为模型的参数的设置、训练集图片的数量等等原因结果大不相同，学习的时候可以自己动手去调整模型参数来看看训练结果。