使用TensorFlow和Keras创建猫狗图片深度学习分类器

在本文中，我们将使用TensorFlow和Keras创建一个图像分类器，可以区分猫和狗的图像。为了做到这一点，我们将使用TensorFlow数据集中的cats_vs_dogs数据集。该数据集由25000张打过标签的猫和狗的图像组成，其中80%的图像用于训练，10%用于验证，10%用于测试。

加载数据

我们从使用TensorFlow Datasets加载数据集开始。将数据集拆分为训练集、验证集和测试集，分别占数据的80%、10%和10%，并定义一个函数来显示数据集中的一些样本图像。

import tensorflow as tf
import matplotlib.pyplot as plt
import tensorflow_datasets as tfds

# 加载数据
(train_data, validation_data, test_data), info = tfds.load('cats_vs_dogs',
                                                           split=['train[:80%]', 'train[80%:90%]', 'train[90%:]'],
                                                           with_info=True,
                                                           as_supervised=True)
# 获取图像的标签
label_names = info.features['label'].names
# 定义一个函数来显示一些样本图像
plt.figure(figsize=(10, 10))
for i, (image, label) in enumerate(train_data.take(9)):
    ax = plt.subplot(3, 3, i + 1)
    plt.imshow(image)
    plt.title(label_names[label])
    plt.axis('off')

预处理数据

在训练模型之前，需要对数据进行预处理。将把图片的大小调整为150×150像素的统一尺寸，将像素值归一化为0和1之间，并对数据进行批处理，这样就可以将其分批导入模型中。

IMG_SIZE = 150

def format_image(image, label):
    image = tf.cast(image, tf.float32) / 255.0  # Normalize the pixel values
    image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE))  # Resize to the desired size
    return image, label
batch_size = 32
train_data = train_data.map(format_image).shuffle(1000).batch(batch_size)
validation_data = validation_data.map(format_image).batch(batch_size)
test_data = test_data.map(format_image).batch(batch_size)

搭建模型

本文将使用预先训练好的MobileNet V2模型作为基础模型，并在其中添加一个全局平均池化层和一个紧密层来进行分类。本文将冻结基础模型的权重，以便在训练期间只更新顶层的权重。

base_model = tf.keras.applications.MobileNetV2(input_shape=(IMG_SIZE, IMG_SIZE, 3),
                                               include_top=False,
                                               weights='imagenet')
base_model.trainable = False

global_average_layer = tf.keras.layers.GlobalAveragePooling2D()
prediction_layer = tf.keras.layers.Dense(1)
model = tf.keras.Sequential([
    base_model,
    global_average_layer,
    prediction_layer
])
model.compile(optimizer=tf.keras.optimizers.RMSprop(lr=0.0001),
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

训练模型

本文将对模型进行3个周期的训练，并在每个周期之后在验证集上对其进行验证。我们将在训练后保存模型，这样就可以在以后的测试中使用它。

global_average_layer = tf.keras.layers.GlobalAveragePooling2D()
prediction_layer = tf.keras.layers.Dense(1)
model = tf.keras.Sequential([
    base_model,
    global_average_layer,
    prediction_layer
])
model.compile(optimizer=tf.keras.optimizers.RMSprop(lr=0.0001),
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_data,
                    epochs=3,
                    validation_data=validation_data)

模型历史

如果想知道Mobilenet V2层是如何工作的，如下图所示是该层的一个结果。

评估模型

训练完成后将在测试集上评估该模型，看看它在新数据上的表现如何。

loaded_model = tf.keras.models.load_model('cats_vs_dogs.h5')
test_loss, test_accuracy = loaded_model.evaluate(test_data)

print('Test accuracy:', test_accuracy)

进行预测

最后，本文将使用该模型对测试集中的一些样本图像进行预测，并显示结果。

for image , _ in test_.take(90) : 
    pass

pre = loaded_model.predict(image)

plt.figure(figsize = (10 , 10))
j = None
for value in enumerate(pre) : 
    plt.subplot(7,7,value[0]+1)
    plt.imshow(image[value[0]])
    plt.xticks([])
    plt.yticks([])
    if value[1] > pre.mean() :
        j = 1
        color = 'blue' if j == _[value[0]] else 'red'
        plt.title('dog' , color = color)
    else : 
        j = 0
        color = 'blue' if j == _[value[0]] else 'red'
        plt.title('cat' , color = color)

plt.show()

大功告成！我们通过使用TensorFlow和Keras创建了一个图像分类器，可以区分猫和狗的图像。通过一些调整和微调，也可以将这种方法应用于其他图像分类问题。