J3学习打卡

  • 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
  • 🍖 原作者:K同学啊

DensNet模型

import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers, models, initializersclass DenseLayer(layers.Layer):def __init__(self, growth_rate, drop_rate=0.1):super(DenseLayer, self).__init__()self.drop_rate = drop_rateself.norm1 = layers.BatchNormalization()self.relu1 = layers.ReLU()self.conv1 = layers.Conv2D(filters=4 * growth_rate, kernel_size=1, use_bias=False)self.norm2 = layers.BatchNormalization()self.relu2 = layers.ReLU()self.conv2 = layers.Conv2D(filters=growth_rate, kernel_size=3, padding='same', use_bias=False)# Create Dropout layer once, not in callif self.drop_rate > 0:self.dropout = layers.Dropout(self.drop_rate)def call(self, inputs, training=False):x = self.conv1(self.relu1(self.norm1(inputs, training=training)))x = self.conv2(self.relu2(self.norm2(x, training=training)))if self.drop_rate > 0:x = self.dropout(x, training=training)  # Use the predefined dropout layerreturn layers.Concatenate()([inputs, x])class DenseBlock(tf.keras.layers.Layer):def __init__(self, num_layers, growth_rate, drop_rate):super(DenseBlock, self).__init__()self.num_layers = num_layersself.layers_list = [DenseLayer(growth_rate, drop_rate) for _ in range(num_layers)]def call(self, x, training=False):for layer in self.layers_list:x = layer(x, training=training)return xclass TransitionLayer(tf.keras.layers.Layer):def __init__(self, num_output_features):super(TransitionLayer, self).__init__()self.norm = layers.BatchNormalization()self.relu = layers.ReLU()self.conv = layers.Conv2D(num_output_features, kernel_size=1, strides=1, use_bias=False)self.pool = layers.AveragePooling2D(pool_size=2, strides=2)def call(self, x, training=False):x = self.conv(self.relu(self.norm(x, training=training)))x = self.pool(x)return xclass DenseNet(tf.keras.Model):def __init__(self, growth_rate=32, block_config=(6, 12, 24, 16), num_init_features=64,bn_size=8, compression_rate=0.5, drop_rate=0.1, num_classes=4):super(DenseNet, self).__init__()# Initial Conv Layerself.features = models.Sequential([layers.Conv2D(num_init_features, kernel_size=7, strides=2, padding='same', use_bias=False),layers.BatchNormalization(),layers.ReLU(),layers.MaxPooling2D(pool_size=3, strides=2, padding='same'),])# DenseBlocks and Transitionsnum_features = num_init_featuresfor i, num_layers in enumerate(block_config):self.features.add(DenseBlock(num_layers, growth_rate, drop_rate))num_features += num_layers * growth_rateif i != len(block_config) - 1:out_features = int(num_features * compression_rate)self.features.add(TransitionLayer(out_features))num_features = out_features# Final Batch Norm and ReLUself.features.add(layers.BatchNormalization())self.features.add(layers.ReLU())# Classification Layerself.classifier = layers.Dense(num_classes, kernel_initializer=initializers.he_normal())def call(self, x, training=False):x = self.features(x, training=training)  # Pass the 'training' argumentx = layers.GlobalAveragePooling2D()(x)x = self.classifier(x)return x# 设置数据路径
data_dir = r"C:\Users\11054\Desktop\kLearning\J1_learning\bird_photos"batch_size = 8
img_height = 224
img_width = 224train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=123,image_size=(img_height, img_width),batch_size=batch_size)
val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=123,image_size=(img_height, img_width),batch_size=batch_size)
class_names = train_ds.class_names
print(class_names)
plt.figure(figsize=(10, 5))  # 图形的宽为10高为5
plt.suptitle("微信公众号:K同学啊")for images, labels in train_ds.take(1):for i in range(8):ax = plt.subplot(2, 4, i + 1)plt.imshow(images[i].numpy().astype("uint8"))plt.title(class_names[labels[i]])plt.axis("off")plt.imshow(images[1].numpy().astype("uint8"))for image_batch, labels_batch in train_ds:print(image_batch.shape)print(labels_batch.shape)break
AUTOTUNE = tf.data.AUTOTUNEtrain_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
# 添加自定义层
model = DenseNet(num_classes=4)# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',  # 使用稀疏分类交叉熵metrics=['accuracy'])# 训练模型
epochs = 10
history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)# 绘制训练和验证过程中的损失及准确率
plt.figure(figsize=(12, 4))# 绘制训练和验证损失
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()# 绘制训练和验证准确率
plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.title('Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()plt.show()
Found 565 files belonging to 4 classes.
Using 452 files for training.
Found 565 files belonging to 4 classes.
Using 113 files for validation.
['Bananaquit', 'Black Skimmer', 'Black Throated Bushtiti', 'Cockatoo']
(8, 224, 224, 3)
(8,)
Epoch 1/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m159s[0m 2s/step - accuracy: 0.4129 - loss: 3.3313 - val_accuracy: 0.2655 - val_loss: 11.8390
Epoch 2/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m111s[0m 2s/step - accuracy: 0.5344 - loss: 2.9348 - val_accuracy: 0.2655 - val_loss: 11.3703
Epoch 3/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m94s[0m 2s/step - accuracy: 0.3674 - loss: 2.6228 - val_accuracy: 0.2655 - val_loss: 11.6901
Epoch 4/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m94s[0m 2s/step - accuracy: 0.4173 - loss: 2.0029 - val_accuracy: 0.2743 - val_loss: 8.5733
Epoch 5/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m116s[0m 2s/step - accuracy: 0.5138 - loss: 1.6268 - val_accuracy: 0.2743 - val_loss: 10.3662
Epoch 6/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m134s[0m 2s/step - accuracy: 0.3255 - loss: 2.6131 - val_accuracy: 0.2655 - val_loss: 8.9590
Epoch 7/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m142s[0m 2s/step - accuracy: 0.3427 - loss: 3.4939 - val_accuracy: 0.3805 - val_loss: 7.2092
Epoch 8/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m132s[0m 2s/step - accuracy: 0.3013 - loss: 3.0391 - val_accuracy: 0.2832 - val_loss: 1.3802
Epoch 9/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m135s[0m 2s/step - accuracy: 0.3722 - loss: 2.9314 - val_accuracy: 0.2478 - val_loss: 10.2079
Epoch 10/10
[1m57/57[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m140s[0m 2s/step - accuracy: 0.3580 - loss: 1.3863 - val_accuracy: 0.1770 - val_loss: 5.2081C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 24494 (\N{CJK UNIFIED IDEOGRAPH-5FAE}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 20449 (\N{CJK UNIFIED IDEOGRAPH-4FE1}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 20844 (\N{CJK UNIFIED IDEOGRAPH-516C}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 20247 (\N{CJK UNIFIED IDEOGRAPH-4F17}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 21495 (\N{CJK UNIFIED IDEOGRAPH-53F7}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 65306 (\N{FULLWIDTH COLON}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 21516 (\N{CJK UNIFIED IDEOGRAPH-540C}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 23398 (\N{CJK UNIFIED IDEOGRAPH-5B66}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)
C:\Users\11054\.conda\envs\tf39\lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 21834 (\N{CJK UNIFIED IDEOGRAPH-554A}) missing from font(s) DejaVu Sans.fig.canvas.print_figure(bytes_io, **kw)

在这里插入图片描述
在这里插入图片描述

个人总结

  1. 完成了torch到tensorflow的代码转换,但是tensorflow运行显示loss较大,模型运行效果较差
  2. DenseNet采用了密集连接(Dense Connection),每一层的输入是前面所有层的输出的拼接(concatenation),而不是求和。这种设计使得每一层都能直接访问前面所有层的特征图,从而增强了特征的重用,并且减少了梯度消失问题

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/58415.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于微信小程序的小区管理系统设计与实现(lw+演示+源码+运行)

摘 要 社会发展日新月异,用计算机应用实现数据管理功能已经算是很完善的了,但是随着移动互联网的到来,处理信息不再受制于地理位置的限制,处理信息及时高效,备受人们的喜爱。所以各大互联网厂商都瞄准移动互联网这个潮…

随机变量、取值、样本和统计量之间的关系

1. 随机变量 (Random Variable) 随机变量是用来量化随机现象结果的一种数学工具。随机变量是一个函数,它将实验结果映射到数值。随机变量可以是离散的或连续的。 离散随机变量:取有限或可数无限个值。例如,掷骰子的结果。连续随机变量&…

Matlab实现蚁群算法求解旅行商优化问题(TSP)(理论+例子+程序)

一、蚁群算法 蚁群算法由意大利学者Dorigo M等根据自然界蚂蚁觅食行为提岀。蚂蚁觅食行为表示大量蚂蚁组成的群体构成一个信息正反馈机制,在同一时间内路径越短蚂蚁分泌的信息就越多,蚂蚁选择该路径的概率就更大。 蚁群算法的思想来源于自然界蚂蚁觅食&a…

给哔哩哔哩bilibili电脑版做个手机遥控器

前言 bilibili电脑版可以在电脑屏幕上观看bilibili视频。然而,电脑版的bilibili不能通过手机控制视频翻页和调节音量,这意味着观看视频时需要一直坐在电脑旁边。那么,有没有办法制作一个手机遥控器来控制bilibili电脑版呢? 首先…

JavaEE初阶---网络原理之TCP篇(二)

文章目录 1.断开连接--四次挥手1.1 TCP状态1.2四次挥手的过程1.3time_wait等待1.4三次四次的总结 2.前段时间总结3.滑动窗口---传输效率机制3.1原理分析3.2丢包的处理3.3快速重传 4.流量控制---接收方安全机制4.1流量控制思路4.2剩余空间大小4.3探测包的机制 5.拥塞控制---考虑…

【C语言刷力扣】3216.交换后字典序最小的字符串

题目: 解题思路: 字典序最小的字符串:是指按照字母表顺序排列最前的字符串。即字符串在更靠前的位置出现比原字符串对应字符在字母表更早出现的字符。 枚举数组元素,尽早将较小的同奇偶的相邻字符交换。 char* getSmallestString…

Java:Map和Set练习

目录 查找字母出现的次数 只出现一次的数字 坏键盘打字 查找字母出现的次数 这道题的思路在后面的题目过程中能用到,所以先把这题给写出来 题目要求:给出一个字符串数组,要求输出结果为其中每个字符串及其出现次数。 思路:我…

【宠粉赠书】大模型项目实战:多领域智能应用开发

在当今的人工智能与自然语言处理领域,大型语言模型(LLM)凭借其强大的生成与理解能力,正在广泛应用于多个实际场景中。《大模型项目实战:多领域智能应用开发》为大家提供了全面的应用技巧和案例,帮助开发者深…

【商汤科技-注册/登录安全分析报告】

前言 由于网站注册入口容易被黑客攻击,存在如下安全问题: 暴力破解密码,造成用户信息泄露短信盗刷的安全问题,影响业务及导致用户投诉带来经济损失,尤其是后付费客户,风险巨大,造成亏损无底洞…

Nginx防盗链配置

1. 什么是盗链? 盗链是指服务提供商自己不提供服务的内容,通过技术手段绕过其它有利益的最终用户界面(如广告),直接在自己的网站上向最终用户提供其它服务提供商的服务内容,骗取最终用户的浏览和点击率。受益者不提供…

Oracle+11g+笔记(8)-备份与恢复机制

Oracle11g笔记(8)-备份与恢复机制 8、备份与恢复机制 8.1 备份与恢复的方法 数据库的备份是对数据库信息的一种操作系统备份。这些信息可能是数据库的物理结构文件,也可能是某一部分数 据。在数据库正常运行时,就应该考虑到数据库可能出现故障&#…

基于Multisim的篮球比赛电子记分牌设计与仿真

一、设计任务与要求 设计一个符合篮球比赛规则的记分系统。 (1)有得1分、2分和3分的情况,电路要具有加、减分及显示的功能。 (2)有倒计时时钟显示,在“暂停时间到”和“比赛时间到”时,发出声光…

易友BOM管理软件

易友BOM管理软件介绍 易友BOM管理软件是一款功能齐全、操作简便、安全可靠的BOM管理系统。它为企业提供了多方面的BOM管理解决方案,帮助企业提高生产效率、降低成本、增强灵活性并提升竞争力。制造企业,都可以通过易友BOM管理软件来实现BOM管理的优化和…

【模型学习之路】手写+分析bert

手写分析bert 目录 前言 架构 embeddings Bertmodel 预训练任务 MLM NSP Bert 后话 netron可视化 code2flow可视化 fine tuning 前言 Attention is all you need! 读本文前,建议至少看懂【模型学习之路】手写分析Transformer-CSDN博客。 毕竟Bert是tr…

不用求人,4个方法快速恢复小米手机删除短信

手机短信作为我们日常办理事情的重要验收通道,往往承载着许多重要的信息。然而,由于各种原因,我们可能会不小心删除了重要的短信。那么,小米手机用户如何恢复这些被删除的短信呢?接下来,我们将分点为您详细…

爆肝整理14天AI工具宝藏合集(三)

🛠️以下是我为大家整理的AI工具宝藏合集(三): 💡AI搜索 1️⃣ 天工AI搜索 2️⃣ 秘塔AI搜索 3️⃣ 夸克AI搜索 4️⃣ 开搜AI搜索 💡 AI视频 1️⃣ 可灵AI 2️⃣ 即梦AI 3️⃣ Vidu 4️⃣ Stable Video …

vue版本太低无法执行vue ui命令

连接 ui和create目前都只支持3.0以后得版本才能使用 https://blog.csdn.net/m0_67318913/article/details/136775252?utm_mediumdistribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-136775252-blog-121204604.235v43pc_blog_bottom_relevance…

ETL集成工具丨如何运用ETLCloud单步调试断点功能

在现代数据处理领域,ETLCloud 的单步调试断点功能正成为数据管理的重要工具。ETLCloud 是一个强大的云端数据处理平台,它提供了灵活的单步调试功能,使得用户能够逐步跟踪和分析数据处理流程。本文将探讨如何运用 ETLCloud 的单步调试断点功能…

python 模块和包、类和对象

模块 模块是包含 Python 代码的文件,通常用于组织相关的函数、类和其他语句。模块可以被导入并在其他 Python 文件中使用。 创建模块 假设你创建了一个名为 mymodule.py 的文件,内容如下: # mymodule.pydef greet(name): return f"…

Linux系统用户操作以及权限管理

用户账号 用户账号:linux系统当中用户的角色,以及用户所拥有的权限 超级管理员:root roottest1:~# 命令含义root表示当前的登录用户test1当前主机名~当前目录#表示当前用户时管理员$表示当前用户是普通用户 exit:…