目錄
排行榜分數
該排行榜的計算結果約為測試數據的70％。最終結果將基於其他30％，因此最終排名可能會有所不同。（就是排行榜的計算結果不一定等於你的驗證集准確率）
第18次嘗試的排行榜分數為95.7%，當時我還挺開心的，可能這就是無知者最快樂吧，還好我不知道我自己菜，哈哈哈，但是被大佬噴了，然后我就又加油去學習其他模型，去調參數。
應大佬要求先貼一個第19次嘗試（版本19）的排名，正在慢慢進步，別問我為啥名字不一樣，因為每個賬號一只能提交5次結果，每個賬號一周只能用30小時TPU，所以我申請了4個賬號，從張志浩1-張志浩4
第20次嘗試
第21次嘗試
這是第21版本的其他提交分數，深度學習嘛，本來每次訓練結果都不一樣
最終排名
我上面的版本21就是最終版本，而且在拿到64名的名次以后我沒有再進行訓練和提交，最終排名中的37名的分數就是我原來的64名分數
翻譯：比賽已經結束。 該排行榜反映了初步的最終排名。 競賽組織者驗證結果后，結果將成為最終結果。
我猜想最終分數與我們之前看到的額不同有兩個原因：
1.很多人用與測試集相關的數據集訓練，被判定為作弊
2. 比賽最終分數由70%給定的測試集（我們能拿到的test數據）和30%其他測試集決定，我們模型可能在這70%上表現好，在另外30%就差了
比賽過后的一點心得
這個比賽花費了我將近一周的時間，這一周基本都是熬夜熬夜熬夜，哈哈哈哈😂😂😂。
因為這個比賽真的學到好多東西啊，可能因為以前掌握的東西太少了吧。學習了兩大莫模型DenseNet+EfficientNet。學習了管道（Pipelining）性能優化、並行讀取數據、緩存（cache）性能優化。以前因為數據集小、神經網絡簡單，從沒有考慮過優化。
這次比賽我這幾天應該不會再次去嘗試了，我參加這次比賽是想把它作為我們學校《深度學習導論》課程的結課作業，已經開始寫報告了，寫了40多頁了，大家有需要就私聊我吧😁😁😁，QQ3382885270，我是菜雞，而且賊喜歡問別人問題，得到很多大佬的幫助（尤其是經常去煩我們老師，被老師詢問為什么老是糾結一些小細節，哈哈哈，還挺有意思的。感謝徐老師😎😎😎），所以我很想能為其他人提供幫助，能和其他人一起變優秀。✨✨✨
心得：
- 該比賽需要梯子，你使用TPU需要驗證手機號，驗證手機號需要梯子；你使用Kaggle的Kernel也需要梯子。你讀取Kaggle數據還是需要梯子。
- 一個賬號一周只能使用30小時TPU，一個賬號一周只能進行5次結果提交，我建議大家申請很多賬號同時參加比賽。而且每次訓練模型都需要2小時甚至更多，所以我建議大家同時開多個瀏覽器，每個瀏覽器登陸不同賬號，同時進行模型的訓練，這樣2小時就能同時訓練很多個模型了。
- 堅持吧兄弟，你會變強。不是只有你很累，沒有什么懷才不遇，只是你太菜了。如果你真的很努力很努力，你會開花結果的。
前言
大家好，我是愛做夢的魚（因為喜歡幻想，總是想象各種美好的事），我是東北大學大三的小菜雞，非常渴望優秀，羡慕優秀的人，已拿兩個暑假offer（拿的大數據開發，因為數據分析的實習崗位不面向本科生，但是還是很喜歡數據分析，我把數據分析當作我僅存的浪漫），
剛系統學習兩周深度學習（通過看書《Python深度學習》+《神經網絡和深度學習》），歡迎大家找我進行交流😂😂😂
這是我的博客地址：子浩的博客https://blog.csdn.net/weixin_43124279
本次kaggle競賽地址：https://www.kaggle.com/c/flower-classification-with-tpus/overview
其他文章：
【深度學習 TPU、tensorflow】kaggle競賽 使用TPU對104種花朵進行分類 第一次嘗試 40%准確率
【深度學習TPU+Keras+Tensorflow+EfficientNetB7】kaggle競賽 使用TPU對104種花朵進行分類 第十八次嘗試 99.9%准確率（英文版）
專欄：
深度學習
本競賽英文全稱
Flower Classification with TPUs
Use TPUs to classify 104 types of flowers
以下為比賽的描述：
在這場比賽中，您面臨的挑戰是建立一個機器學習模型，該模型可識別圖像
數據集中的花朵類型（為簡單起見，我們堅持使用100多種類型的花朵）。
數據集：
12753個訓練圖像，3712個驗證圖像，7382個未標記的測試圖像
選用的數據為：
在這次比賽中，我們根據來自五個不同公共數據集的花卉圖像對104種花卉進行分類。有些種類非常狹窄，只包含一個特定的花的子種類（例如粉紅報春花），而其他種類包含許多子種類（例如野生玫瑰）。
這種競賽的不同之處在於以TFRecord格式提供圖像。 TFRecord格式是Tensorflow中經常使用的容器格式，用於對數據數據文件進行分組和分片以獲得最佳訓練性能。每個文件都包含許多圖像的id，標簽（樣本數據，用於訓練數據）和img（數組形式的實際像素）信息。
- train/*.tfrec-訓練集，包括標簽。
- val/*.tfrec-驗證集。預分割訓練樣本，帶有幫助檢查您的模型在TPU上的性能的標簽。這種分割是按標簽分層的。
- test/*.tfrec-測試集，不帶標簽的樣本-您將預測這些花屬於哪一類。
- sample_submission.csv-格式正確的示例提交文件
- id-每個樣本的唯一id。
- 標記（在訓練數據中）樣本所代表的花的類別
版本更新情況
以下准確率全都是驗證准確率，和比賽提交以后的准確率有一定區別，因為算法不一樣
- V1：官方給出的代碼，用了VGG模型，准確率40%
- V2-V8：不斷增刪層，並調超參數，更換損失函數與優化器 准確率增長到60%就遇到瓶頸了
- V9：嘗試通過僅在5分鍾內訓練softmax層來預熱，然后再釋放所有重量。准確率下降到50%
- V10：更多數據擴充 准確率55%
- V11：使用LR Scheduler 准確率62%
- V12：同時使用訓練和驗證數據來訓練模型。 准確率68%
- V13；使用谷歌開源新模型 EfficientNetB7 准確率91%，害怕
- V14：訓練更長的時間（25個輪次）。准確率82%，下降了，是因為過擬合吧
- V15：回到20個輪次； Global Max Pooling instead of Average。（全局最大池而不是平均。） 准確率67%，不適合
- V16：回滾到global average pooling （全局平均池） 准確率81%
- V18：回滾到V13，並調節部分參數 准確率99.9%，恐怖如斯，我好無敵
1. 安裝efficientnet
!pip install -q efficientnet #因為我們想用 EfficientNet模型，所以我們先進行安裝efficientnet，
# 感嘆號表示調用控制台，這句代碼等價於於在控制台輸入了pip install -q efficientnet
2. 導入需要的包
# 導入需要的包
import math, re, os # math：包括一些通用的數學公式；re：字符串正則匹配；os：操作系統接口
import tensorflow as tf # tensorflow包
import numpy as np # numpy操作數組
from matplotlib import pyplot as plt # matplotlib進行畫圖
from kaggle_datasets import KaggleDatasets # Kaggle數據集
import efficientnet.tfkeras as efn # 導入efficientnet模型
# 從python的sklearn機器學習中導入f1值、精度、召回率和混淆矩陣
from sklearn.metrics import f1_score, precision_score, recall_score, confusion_matrix
print("Tensorflow version " + tf.__version__) #檢查tensorflow的版本
Tensorflow version 2.1.0
3. 檢測TPU和GPU
我這里注釋掉的原因是我們已經知道TPU和GPU存在，而且我們打算完全用TPU而不用GPU
# Detect hardware, return appropriate distribution strategy
# try:
# TPU檢測。 如果設置了TPU_NAME環境變量，則不需要任何參數。 在Kaggle上，情況總是如此。
# tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
# print('Running on TPU ', tpu.master())
# except ValueError:
# tpu = None
# if tpu:
# tf.config.experimental_connect_to_cluster(tpu)
# tf.tpu.experimental.initialize_tpu_system(tpu)
# strategy = tf.distribute.experimental.TPUStrategy(tpu)
# else:
# strategy = tf.distribute.get_strategy() # default distribution strategy in Tensorflow. Works on CPU and single GPU.
# print("REPLICAS: ", strategy.num_replicas_in_sync) #輸出副本數
4. 配置TPU、訪問路徑等
AUTO = tf.data.experimental.AUTOTUNE # 可以讓程序自動的選擇最優的線程並行個數
# Create strategy from tpu
# 從TPU創建部署
tpu = tf.distribute.cluster_resolver.TPUClusterResolver() #如果先前設置好了ＴＰＵ＿ＮＡＭＥ環境變量，不需要再給參數．
tf.config.experimental_connect_to_cluster(tpu) # 配置實驗連接到群集
tf.tpu.experimental.initialize_tpu_system(tpu) # 初始化tpu系統
strategy = tf.distribute.experimental.TPUStrategy(tpu) # 設置TPU部署
# 官方給出的競賽數據訪問注釋
# Competition data access
# TPUs read data directly from Google Cloud Storage (GCS).
# This Kaggle utility will copy the dataset to a GCS bucket co-located with the TPU.
# If you have multiple datasets attached to the notebook,
# you can pass the name of a specific dataset to the get_gcs_path function.
# The name of the dataset is the name of the directory it is mounted in.
# Use !ls /kaggle/input/ to list attached datasets.
# 比賽數據訪問
# TPU直接從Google Cloud Storage（GCS）讀取數據。
# 該Kaggle實用程序會將數據集復制到與TPU並置的GCS存儲桶中。
# 如果筆記本有多個數據集，
# 您可以將特定數據集的名稱傳遞給get_gcs_path函數。
# 數據集的名稱是其安裝目錄的名稱。
# 使用！ls / kaggle / input /列出附加的數據集。
GCS_DS_PATH = KaggleDatasets().get_gcs_path() #設置Kaggle數據的訪問路徑
# Configuration
IMAGE_SIZE = [512, 512] # 配置像素點矩陣大小
EPOCHS = 20 # # 配置模型訓練的輪次
BATCH_SIZE = 16 * strategy.num_replicas_in_sync # 設置每個小批量的大小
# 配置不同大小圖片的路徑
GCS_PATH_SELECT = { # available image sizes
192: GCS_DS_PATH + '/tfrecords-jpeg-192x192',
224: GCS_DS_PATH + '/tfrecords-jpeg-224x224',
331: GCS_DS_PATH + '/tfrecords-jpeg-331x331',
512: GCS_DS_PATH + '/tfrecords-jpeg-512x512'
}
GCS_PATH = GCS_PATH_SELECT[IMAGE_SIZE[0]]
TRAINING_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/train/*.tfrec') # 訓練集路徑
VALIDATION_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/val/*.tfrec') # 驗證集路徑
TEST_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/test/*.tfrec') # 測試集路徑 predictions on this dataset should be submitted for the competition
# 104種花的名稱
CLASSES = ['pink primrose', 'hard-leaved pocket orchid', 'canterbury bells', 'sweet pea', 'wild geranium', 'tiger lily', 'moon orchid', 'bird of paradise', 'monkshood', 'globe thistle', # 00 - 09
'snapdragon', "colt's foot", 'king protea', 'spear thistle', 'yellow iris', 'globe-flower', 'purple coneflower', 'peruvian lily', 'balloon flower', 'giant white arum lily', # 10 - 19
'fire lily', 'pincushion flower', 'fritillary', 'red ginger', 'grape hyacinth', 'corn poppy', 'prince of wales feathers', 'stemless gentian', 'artichoke', 'sweet william', # 20 - 29
'carnation', 'garden phlox', 'love in the mist', 'cosmos', 'alpine sea holly', 'ruby-lipped cattleya', 'cape flower', 'great masterwort', 'siam tulip', 'lenten rose', # 30 - 39
'barberton daisy', 'daffodil', 'sword lily', 'poinsettia', 'bolero deep blue', 'wallflower', 'marigold', 'buttercup', 'daisy', 'common dandelion', # 40 - 49
'petunia', 'wild pansy', 'primula', 'sunflower', 'lilac hibiscus', 'bishop of llandaff', 'gaura', 'geranium', 'orange dahlia', 'pink-yellow dahlia', # 50 - 59
'cautleya spicata', 'japanese anemone', 'black-eyed susan', 'silverbush', 'californian poppy', 'osteospermum', 'spring crocus', 'iris', 'windflower', 'tree poppy', # 60 - 69
'gazania', 'azalea', 'water lily', 'rose', 'thorn apple', 'morning glory', 'passion flower', 'lotus', 'toad lily', 'anthurium', # 70 - 79
'frangipani', 'clematis', 'hibiscus', 'columbine', 'desert-rose', 'tree mallow', 'magnolia', 'cyclamen ', 'watercress', 'canna lily', # 80 - 89
'hippeastrum ', 'bee balm', 'pink quill', 'foxglove', 'bougainvillea', 'camellia', 'mallow', 'mexican petunia', 'bromelia', 'blanket flower', # 90 - 99
'trumpet creeper', 'blackberry lily', 'common tulip', 'wild rose']
5. 各種函數
5.1. 可視化函數
# 展示訓練和驗證曲線，也就是損失和准確率隨輪次的變化
def display_training_curves(training, validation, title, subplot):
if subplot%10==1: # set up the subplots on the first call # 在第一次調用該函數時設置子圖
plt.subplots(figsize=(10,10), facecolor='#F0F0F0')
plt.tight_layout()
ax = plt.subplot(subplot) #設置子圖
ax.set_facecolor('#F8F8F8') #設置背景顏色
ax.plot(training) #畫訓練集的曲線
ax.plot(validation) #畫測試集的曲線
ax.set_title('model '+ title)
ax.set_ylabel(title) #設置y軸標題
#ax.set_ylim(0.28,1.05)
ax.set_xlabel('epoch') #設置x軸標題
ax.legend(['train', 'valid.']) #設置圖例
# 繪制混淆矩陣
def display_confusion_matrix(cmat, score, precision, recall):
plt.figure(figsize=(15,15)) # 設置畫布大小
ax = plt.gca() #返回當前axes(matplotlib.axes.Axes) 獲取當前子圖
ax.matshow(cmat, cmap='Reds') #繪制矩陣
ax.set_xticks(range(len(CLASSES))) #根據花朵類別數（其實就是104）設置x軸范圍
ax.set_xticklabels(CLASSES, fontdict={'fontsize': 7}) #設置x軸下標字體的大小
plt.setp(ax.get_xticklabels(), rotation=45, ha="left", rotation_mode="anchor") #更換x軸下標角度
ax.set_yticks(range(len(CLASSES))) #根據花朵類別數（其實就是104）設置y軸范圍
ax.set_yticklabels(CLASSES, fontdict={'fontsize': 7}) #設置y軸下標字體的大小
plt.setp(ax.get_yticklabels(), rotation=45, ha="right", rotation_mode="anchor") #更換y軸下標角度
titlestring = ""
if score is not None:
titlestring += 'f1 = {:.3f} '.format(score) #更改格式為有3位小數的浮點數
if precision is not None:
titlestring += '\nprecision = {:.3f} '.format(precision) #更改格式為有3位小數的浮點數
if recall is not None:
titlestring += '\nrecall = {:.3f} '.format(recall) #更改格式為有3位小數的浮點數
if len(titlestring) > 0:
ax.text(101, 1, titlestring, fontdict={'fontsize': 18, 'horizontalalignment':'right', 'verticalalignment':'top', 'color':'#804040'}) #添加文本注釋
plt.show()
# 設置numpy數組基本屬性，設置顯示15個數字，用於插入換行符的每行字符數（默認為75）。
# threshold : int, optional，Total number of array elements which trigger summarization rather than full repr (default 1000).
# 當數組數目過大時，設置顯示幾個數字，其余用省略號
# linewidth : int, optional，The number of characters per line for the purpose of inserting line breaks (default 75).
# 用於插入換行符的每行字符數（默認為75）。
np.set_printoptions(threshold=15, linewidth=80)
# 將小批量圖片和標簽處理為numpy向量格式
def batch_to_numpy_images_and_labels(data):
images, labels = data
numpy_images = images.numpy() #將圖像轉換為numpy向量格式
numpy_labels = labels.numpy() #將label標簽轉換為numpy向量格式
if numpy_labels.dtype == object: # 在這種情況下為二進制字符串，它們是圖像ID字符串
numpy_labels = [None for _ in enumerate(numpy_images)]
# 如果沒有標簽，只有圖像ID，則對標簽返回None（測試數據就是這種情況）
return numpy_images, numpy_labels
# 把實際類型和模型預測出來的模型一起顯示在圖片上方，這是用給驗證集的，當對驗證集預測完標簽后和驗證集的實際標簽進行比較
# label,圖片中花朵的實際類別
# correct_label，當前我們預測的類別
def title_from_label_and_target(label, correct_label):
# 如果沒有預測的類別，則返回實際類別，比如訓練集
if correct_label is None:
return CLASSES[label], True
correct = (label == correct_label) #判斷一下實際類別和我們預測的類別是否一致
# 如果一致，則返回OK，不一致則返回NO加實際類別
return "{} [{}{}{}]".format(CLASSES[label], 'OK' if correct else 'NO', u"\u2192" if not correct else '',
CLASSES[correct_label] if not correct else ''), correct
# 繪制一朵花
def display_one_flower(image, title, subplot, red=False, titlesize=16):
plt.subplot(*subplot)
plt.axis('off') # 不顯示坐標尺寸
plt.imshow(image) #函數負責對圖像進行處理，並顯示其格式；而plt.show()則是將plt.imshow()處理后的函數顯示出來。
if len(title) > 0:
#繪制圖片的標題
plt.title(title, fontsize=int(titlesize) if not red else int(titlesize/1.2), color='red' if red else 'black',
fontdict={'verticalalignment':'center'}, pad=int(titlesize/1.5))
return (subplot[0], subplot[1], subplot[2]+1)
# 展示小批量圖片，我們在下面的代碼中經常展示20張照片
def display_batch_of_images(databatch, predictions=None):
"""This will work with: display_batch_of_images(images) # 只展示圖片 測試集需要這個 display_batch_of_images(images, predictions) #展示圖片加預測的類別 測試集需要這個 display_batch_of_images((images, labels)) #展示圖片加實際標簽 訓練集需要這個 display_batch_of_images((images, labels), predictions) #展示圖片+實際類別+預測類別 驗證集需要這個，因為驗證集既有實際標簽，也會進行預測 """
# 讀取圖片和實際標簽數據，而且這些數據被轉換成numpy向量的格式
images, labels = batch_to_numpy_images_and_labels(databatch)
# 如果沒有實際標簽（即if labels is None為true），比如測試集，那么我們需要將labels變量設為每個元素都為none
if labels is None:
labels = [None for _ in enumerate(images)]
# 自動平方：這將刪除不適合正方形或矩形的數據
rows = int(math.sqrt(len(images)))
cols = len(images)//rows #" // " 表示整數除法,返回不大於結果的一個最大的整數，向下取整
# 大小和間距
FIGSIZE = 13.0 #畫圖大小
SPACING = 0.1
subplot=(rows,cols,1)
if rows < cols:
# 如果行大於列
plt.figure(figsize=(FIGSIZE,FIGSIZE/cols*rows))
else:
plt.figure(figsize=(FIGSIZE/rows*cols,FIGSIZE))
# display
for i, (image, label) in enumerate(zip(images[:rows*cols], labels[:rows*cols])):
title = '' if label is None else CLASSES[label]
correct = True
if predictions is not None:
title, correct = title_from_label_and_target(predictions[i], label)
dynamic_titlesize = FIGSIZE*SPACING/max(rows,cols)*40+3 # 經過測試可以在1x1到10x10圖像上工作的魔術公式
subplot = display_one_flower(image, title, subplot, not correct, titlesize=dynamic_titlesize)
#layout
plt.tight_layout()
if label is None and predictions is None:
plt.subplots_adjust(wspace=0, hspace=0)
else:
plt.subplots_adjust(wspace=SPACING, hspace=SPACING)
plt.show()
5.2. 數據集函數
# 准備圖像數據
def decode_image(image_data):
image = tf.image.decode_jpeg(image_data, channels=3) # 將圖片解碼
# 之前訓練圖像保存在一個 uint8 類型的數組中，取值區間為 [0, 255]。我們需要將其變換為一個 float32 數組，其形取值范圍為 0~1。
# 將圖片轉換為[0，1]范圍內的浮點數
image = tf.cast(image, tf.float32) / 255.0
image = tf.reshape(image, [*IMAGE_SIZE, 3]) # TPU所需的精確的大小
return image
# 讀取帶有標簽的TFRecord 格式文件
def read_labeled_tfrecord(example):
LABELED_TFREC_FORMAT = {
"image": tf.io.FixedLenFeature([], tf.string), # tf.string means bytestring
"class": tf.io.FixedLenFeature([], tf.int64), # shape [] means single element
}
example = tf.io.parse_single_example(example, LABELED_TFREC_FORMAT)
image = decode_image(example['image'])
label = tf.cast(example['class'], tf.int32)
return image, label # returns a dataset of (image, label) pairs
# 讀取沒有標簽的TFRecord 格式文件
def read_unlabeled_tfrecord(example):
UNLABELED_TFREC_FORMAT = {
"image": tf.io.FixedLenFeature([], tf.string), # tf.string means bytestring
"id": tf.io.FixedLenFeature([], tf.string), # shape [] means single element
# class is missing, this competitions's challenge is to predict flower classes for the test dataset
}
example = tf.io.parse_single_example(example, UNLABELED_TFREC_FORMAT)
image = decode_image(example['image'])
idnum = example['id']
return image, idnum # returns a dataset of image(s)
# 加載數據集
# 這三個參數分別為：文件路徑、是否有標簽、是否按順序（就是要不要把數據順序打亂）
def load_dataset(filenames, labeled=True, ordered=False):
# 從TFRecords讀取。 為了獲得最佳性能，請一次從多個文件中讀取數據，而不考慮數據順序。 順序無關緊要，因為無論如何我們都會對數據進行混洗。
ignore_order = tf.data.Options()
if not ordered:
ignore_order.experimental_deterministic = False # 禁用順序，提高速度
dataset = tf.data.TFRecordDataset(filenames, num_parallel_reads=AUTO) # 自動交錯讀取多個文件
dataset = dataset.with_options(ignore_order) # 在流入數據后立即使用數據，而不是按原始順序使用
dataset = dataset.map(read_labeled_tfrecord if labeled else read_unlabeled_tfrecord, num_parallel_calls=AUTO)
# 如果標記為True則返回（圖像，label）對的數據集，如果標記為False，則返回（圖像，id）對的數據集
return dataset
# 按水平 (從左向右) 隨機翻轉圖像.返回圖片的參數image和label
def data_augment(image, label, seed=2020):
# TensorFlow函數：tf.image.random_flip_left_right
# 按水平 (從左向右) 隨機翻轉圖像.
# 以1比2的概率,輸出image沿着第二維翻轉的內容,即,width.否則按原樣輸出圖像.
# 參數：
# image：形狀為[height, width, channels]的三維張量.
# seed：一個Python整數,用於創建一個隨機種子.查看tf.set_random_seed行為.
# 返回：一個與image具有相同類型和形狀的三維張量.
image = tf.image.random_flip_left_right(image, seed=seed)
# image = tf.image.random_flip_up_down(image, seed=seed)
# image = tf.image.random_brightness(image, 0.1, seed=seed)
# image = tf.image.random_jpeg_quality(image, 85, 100, seed=seed)
# image = tf.image.resize(image, [530, 530])
# image = tf.image.random_crop(image, [512, 512], seed=seed)
#image = tf.image.random_saturation(image, 0, 2)
return image, label
# 獲取訓練集
def get_training_dataset():
# 加載訓練集，第一個參數為訓練集路徑，第二個參數表示有標簽
dataset = load_dataset(TRAINING_FILENAMES, labeled=True)
# 將數據轉換並行化
# 為num_parallel_calls 參數選擇最佳值取決於您的硬件、訓練數據的特征（例如其大小和形狀）、Map 功能的成本以及在 CPU 上同時進行的其他處理；
dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
# 重復此數據集count次數
# 函數形式：repeat(count=None)
# 參數count:(可選）表示數據集應重復的次數。默認行為（如果count是None或-1）是無限期重復的數據集。
dataset = dataset.repeat() # 數據集必須重復幾個輪次
dataset = dataset.shuffle(2048) #將數據打亂，括號中數值越大，混亂程度越大
dataset = dataset.batch(BATCH_SIZE) # 按照順序將小批量中樣本數目行數據合成一個小批量，最后一個小批量可能小於20
# pipeline（管道）讀取數據，在訓練時預取下一批（自動調整預取緩沖區大小）
dataset = dataset.prefetch(AUTO)
return dataset
# 獲取驗證集
def get_validation_dataset(ordered=False):
# 加載訓練集，第一個參數為驗證集路徑，第二個參數表示有標簽，第三個參數為不按照順序
dataset = load_dataset(VALIDATION_FILENAMES, labeled=True, ordered=ordered)
dataset = dataset.batch(BATCH_SIZE) ## 按照順序將小批量中樣本數目行數據合成一個小批量，最后一個小批量可能小於20
dataset = dataset.cache() # 使用.cache()方法：當計算緩存空間足夠時，將preprocess的數據存儲在緩存空間中將大幅提高計算速度。
# pipeline（管道）讀取數據，在訓練時預取下一批（自動調整預取緩沖區大小）
dataset = dataset.prefetch(AUTO)
return dataset
# 將訓練集和驗證集合並
def get_train_valid_datasets():
dataset = load_dataset(TRAINING_FILENAMES + VALIDATION_FILENAMES, labeled=True)
# 將數據轉換並行化
# 加載訓練集，第一個參數為訓練集路徑，第二個參數表示有標簽
dataset = dataset.map(data_augment, num_parallel_calls=AUTO)
# 重復此數據集count次數
# 函數形式：repeat(count=None)
# 參數count:(可選）表示數據集應重復的次數。默認行為（如果count是None或-1）是無限期重復的數據集。
dataset = dataset.repeat() # 數據集必須重復幾個輪次
dataset = dataset.shuffle(2048) # 將數據打亂，括號中數值越大，混亂程度越大
dataset = dataset.batch(BATCH_SIZE)
# pipeline（管道）讀取數據，在訓練時預取下一批（自動調整預取緩沖區大小）
dataset = dataset.prefetch(AUTO)
return dataset
# 獲取測試集
def get_test_dataset(ordered=False):
dataset = load_dataset(TEST_FILENAMES, labeled=False, ordered=ordered)
dataset = dataset.batch(BATCH_SIZE)
# pipeline（管道）讀取數據，在訓練時預取下一批（自動調整預取緩沖區大小）
dataset = dataset.prefetch(AUTO)
return dataset
# 計算數據集樣本數目
def count_data_items(filenames):
# 數據集的數量以.tfrec文件的名稱編寫，即flowers00-230.tfrec = 230個數據項
n = [int(re.compile(r"-([0-9]*)\.").search(filename).group(1)) for filename in filenames]
return np.sum(n)
5.3. 模型函數
# LearningRate Function 自己編寫的學習率函數
# 返回學習率·
def lrfn(epoch):
LR_START = 0.00001 # 初始學習率
LR_MAX = 0.00005 * strategy.num_replicas_in_sync # 最大學習率
LR_MIN = 0.00001 # 最小學習率
LR_RAMPUP_EPOCHS = 5
LR_SUSTAIN_EPOCHS = 0
LR_EXP_DECAY = .8
if epoch < LR_RAMPUP_EPOCHS:
lr = (LR_MAX - LR_START) / LR_RAMPUP_EPOCHS * epoch + LR_START
elif epoch < LR_RAMPUP_EPOCHS + LR_SUSTAIN_EPOCHS:
lr = LR_MAX
else:
lr = (LR_MAX - LR_MIN) * LR_EXP_DECAY**(epoch - LR_RAMPUP_EPOCHS - LR_SUSTAIN_EPOCHS) + LR_MIN
return lr
6. 數據集可視化
# 數據展示
print("Training data shapes:")
# 輸出訓練集前3個小批量的圖像數據形狀、標簽形狀
for image, label in get_training_dataset().take(3):
print(image.numpy().shape, label.numpy().shape)
# 訓練數據標簽示例
print("Training data label examples:", label.numpy())
print("Validation data shapes:")
# 輸出驗證集前3個小批量的圖像數據形狀、標簽形狀
for image, label in get_validation_dataset().take(3):
print(image.numpy().shape, label.numpy().shape)
# 驗證數據標簽示例
print("Validation data label examples:", label.numpy())
print("Test data shapes:")
# 輸出測試集前3個小批量的圖像數據形狀、標簽形狀
for image, idnum in get_test_dataset().take(3):
print(image.numpy().shape, idnum.numpy().shape)
# 測試集的id示例
print("Test data IDs:", idnum.numpy().astype('U')) # U=unicode string
Training data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Training data label examples: [ 1 7 49 ... 77 53 67]
Validation data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Validation data label examples: [49 4 91 ... 66 93 21]
Test data shapes:
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
(128, 512, 512, 3) (128,)
Test data IDs: ['75d255458' '8d1bc9b54' 'ff30e8b96' ... '256e89fc6' 'f6482ab55' '82f95de55']
# 查看訓練集
training_dataset = get_training_dataset() #通過一個函數來獲取訓練集
training_dataset = training_dataset.unbatch().batch(20) # 將訓練集分成大小為20的小批量
train_batch = iter(training_dataset) # 首先獲得Iterator對象
# 再次運行該單元格以獲取下一組圖像
display_batch_of_images(next(train_batch))
# 查看測試集
test_dataset = get_test_dataset() #通過一個函數來獲取測試集
test_dataset = test_dataset.unbatch().batch(20) # 將訓練集分成大小為20的小批量
test_batch = iter(test_dataset) # 首先獲得Iterator對象
# 再次運行該單元格以獲取下一組圖像
display_batch_of_images(next(test_batch))
7. 訓練模型
NUM_TRAINING_IMAGES = count_data_items(TRAINING_FILENAMES) # 訓練集樣本數目
NUM_VALIDATION_IMAGES = count_data_items(VALIDATION_FILENAMES) # 驗證集樣本數目
NUM_TEST_IMAGES = count_data_items(TEST_FILENAMES) # 測試集樣本數目
STEPS_PER_EPOCH = NUM_TRAINING_IMAGES // BATCH_SIZE # 每輪次中的步數=訓練集樣本數除以每個小批量中樣本數目
# 輸出訓練集、驗證集和測試集的數目
print('Dataset: {} training images, {} validation images, {} unlabeled test images'.format(NUM_TRAINING_IMAGES, NUM_VALIDATION_IMAGES, NUM_TEST_IMAGES))
Dataset: 12753 training images, 3712 validation images, 7382 unlabeled test images
7.1. 創建模型並加載到TPU
# 創建模型並加載到TPU
with strategy.scope():
# 創建EfficientNetB7模型
enet = efn.EfficientNetB7( # 選擇EfficientNet中的EfficientNetB7模型
input_shape=(512, 512, 3), # 規定輸入數據的形狀
weights='imagenet', # 用ImageNet的參數初始化模型的參數。如果不想使用ImageNet上預訓練到的權重初始話模型，可以將各語句的中'imagenet'替換為'None'。
include_top=False # include_top：是否保留頂層的3個全連接網絡，False為不保留
)
# 創建模型
model = tf.keras.Sequential([ #Sequential類（僅用於層的線性堆疊，這是目前最常見的網絡架構）
enet, # EfficientNetB7模型
tf.keras.layers.GlobalAveragePooling2D(), #全局平均池
# len(CLASSES)：表示這個層將返回一個大小為類別個數（104）的張量
# activation='softmax'：表示這個層將返回圖片在104個類別上的概率，其中最大的概率表示這個圖片的預測類別
# softmax激活函數的本質就是將一個K維的任意實數向量壓縮（映射）成另一個K維的實數向量，其中向量中的每個元素取值都介於（0，1）之間並且和為1。
# 在多分類單標簽問題中，可以用softmax作為最后的激活層，取概率最高的作為結果
tf.keras.layers.Dense(len(CLASSES), activation='softmax')
])
# 編譯模型
model.compile(
optimizer=tf.keras.optimizers.Adam(), #優化器：Adam 是一種可以替代傳統隨機梯度下降（SGD）過程的一階優化算法，它能基於訓練數據迭代地更新神經網絡權重
# 損失函數：
# 對於多分類問題，可以用分類交叉熵（categorical crossentropy）或稀疏分類交叉熵（sparse_categorical_crossentropy）損失函數
# 這個sparse_categorical_crossentropy損失函數在數學上與 categorical_crossentropy 完全相同，
# 如果目標是 one-hot 編碼的，那么使用 categorical_crossentropy 作為損失；
# 如果目標是整數，那么使用 sparse_categorical_crossentropy 作為損失。
loss = 'sparse_categorical_crossentropy',
metrics=['sparse_categorical_accuracy'] # 監控指標：分類准確率
)
#模型的摘要
model.summary()
Downloading data from https://github.com/Callidior/keras-applications/releases/download/efficientnet/efficientnet-b7_weights_tf_dim_ordering_tf_kernels_autoaugment_notop.h5
258441216/258434480 [==============================] - 4s 0us/step
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
efficientnet-b7 (Model) (None, 16, 16, 2560) 64097680
_________________________________________________________________
global_average_pooling2d (Gl (None, 2560) 0
_________________________________________________________________
dense (Dense) (None, 104) 266344
=================================================================
Total params: 64,364,024
Trainable params: 64,053,304
Non-trainable params: 310,720
_________________________________________________________________
保存全模型
可以對整個模型進行保存，其保存的內容包括：
- 該模型的架構
- 模型的權重（在訓練期間學到的）
- 模型的訓練配置（你傳遞給編譯的），如果有的話
- 優化器及其狀態（如果有的話）（這使您可以從中斷的地方重新啟動訓練
model.save('the_save_model.h5') #保存全模型
7.2. 訓練模型
# scheduler = tf.keras.callbacks.ReduceLROnPlateau(patience=3, verbose=1)
# 作為回調函數的一員,LearningRateScheduler 可以按照epoch的次數自動調整學習率,
# 參數：
# schedule：一個函數，它將一個epoch索引作為輸入（整數，從0開始索引）並返回一個新的學習速率作為輸出（浮點數）。
# 我們這里用lrfn（epoch）函數
# verbose：int；當其為0時，保持安靜；當其為1時，表示更新消息。
lr_schedule = tf.keras.callbacks.LearningRateScheduler(lrfn, verbose=1)
# 訓練模型
history = model.fit(
get_train_valid_datasets(), # 獲取訓練集
steps_per_epoch=STEPS_PER_EPOCH, # 設置每輪的步數
epochs=EPOCHS, # 設置輪次
callbacks=[lr_schedule], # 設置回調函數
validation_data=get_validation_dataset() # 設置驗證集
)
Train for 99 steps
Epoch 00001: LearningRateScheduler reducing learning rate to 1e-05.
Epoch 1/20
99/99 [==============================] - 412s 4s/step - loss: 4.5641 - sparse_categorical_accuracy: 0.0624 - val_loss: 4.4639 - val_sparse_categorical_accuracy: 0.1339
Epoch 00002: LearningRateScheduler reducing learning rate to 8.8e-05.
Epoch 2/20
99/99 [==============================] - 100s 1s/step - loss: 3.0131 - sparse_categorical_accuracy: 0.4089 - val_loss: 1.6291 - val_sparse_categorical_accuracy: 0.6549
Epoch 00003: LearningRateScheduler reducing learning rate to 0.000166.
Epoch 3/20
99/99 [==============================] - 100s 1s/step - loss: 1.0785 - sparse_categorical_accuracy: 0.7629 - val_loss: 0.4187 - val_sparse_categorical_accuracy: 0.9119
Epoch 00004: LearningRateScheduler reducing learning rate to 0.000244.
Epoch 4/20
99/99 [==============================] - 100s 1s/step - loss: 0.5098 - sparse_categorical_accuracy: 0.8813 - val_loss: 0.1893 - val_sparse_categorical_accuracy: 0.9577
Epoch 00005: LearningRateScheduler reducing learning rate to 0.000322.
Epoch 5/20
99/99 [==============================] - 100s 1s/step - loss: 0.3387 - sparse_categorical_accuracy: 0.9171 - val_loss: 0.0990 - val_sparse_categorical_accuracy: 0.9706
Epoch 00006: LearningRateScheduler reducing learning rate to 0.0004.
Epoch 6/20
99/99 [==============================] - 100s 1s/step - loss: 0.2712 - sparse_categorical_accuracy: 0.9316 - val_loss: 0.0653 - val_sparse_categorical_accuracy: 0.9811
Epoch 00007: LearningRateScheduler reducing learning rate to 0.000322.
Epoch 7/20
99/99 [==============================] - 100s 1s/step - loss: 0.1728 - sparse_categorical_accuracy: 0.9566 - val_loss: 0.0263 - val_sparse_categorical_accuracy: 0.9935
Epoch 00008: LearningRateScheduler reducing learning rate to 0.0002596000000000001.
Epoch 8/20
99/99 [==============================] - 100s 1s/step - loss: 0.1122 - sparse_categorical_accuracy: 0.9716 - val_loss: 0.0147 - val_sparse_categorical_accuracy: 0.9954
Epoch 00009: LearningRateScheduler reducing learning rate to 0.00020968000000000004.
Epoch 9/20
99/99 [==============================] - 100s 1s/step - loss: 0.0762 - sparse_categorical_accuracy: 0.9815 - val_loss: 0.0073 - val_sparse_categorical_accuracy: 0.9976
Epoch 00010: LearningRateScheduler reducing learning rate to 0.00016974400000000002.
Epoch 10/20
99/99 [==============================] - 100s 1s/step - loss: 0.0535 - sparse_categorical_accuracy: 0.9878 - val_loss: 0.0039 - val_sparse_categorical_accuracy: 0.9987
Epoch 00011: LearningRateScheduler reducing learning rate to 0.00013779520000000003.
Epoch 11/20
99/99 [==============================] - 100s 1s/step - loss: 0.0404 - sparse_categorical_accuracy: 0.9907 - val_loss: 0.0026 - val_sparse_categorical_accuracy: 0.9995
Epoch 00012: LearningRateScheduler reducing learning rate to 0.00011223616000000004.
Epoch 12/20
99/99 [==============================] - 101s 1s/step - loss: 0.0355 - sparse_categorical_accuracy: 0.9912 - val_loss: 0.0024 - val_sparse_categorical_accuracy: 0.9995
Epoch 00013: LearningRateScheduler reducing learning rate to 9.178892800000003e-05.
Epoch 13/20
99/99 [==============================] - 100s 1s/step - loss: 0.0292 - sparse_categorical_accuracy: 0.9936 - val_loss: 0.0023 - val_sparse_categorical_accuracy: 0.9992
Epoch 00014: LearningRateScheduler reducing learning rate to 7.543114240000003e-05.
Epoch 14/20
99/99 [==============================] - 100s 1s/step - loss: 0.0241 - sparse_categorical_accuracy: 0.9950 - val_loss: 0.0020 - val_sparse_categorical_accuracy: 0.9997
Epoch 00015: LearningRateScheduler reducing learning rate to 6.234491392000002e-05.
Epoch 15/20
99/99 [==============================] - 100s 1s/step - loss: 0.0231 - sparse_categorical_accuracy: 0.9950 - val_loss: 0.0012 - val_sparse_categorical_accuracy: 1.0000
Epoch 00016: LearningRateScheduler reducing learning rate to 5.1875931136000024e-05.
Epoch 16/20
99/99 [==============================] - 100s 1s/step - loss: 0.0182 - sparse_categorical_accuracy: 0.9965 - val_loss: 0.0011 - val_sparse_categorical_accuracy: 1.0000
Epoch 00017: LearningRateScheduler reducing learning rate to 4.3500744908800015e-05.
Epoch 17/20
99/99 [==============================] - 100s 1s/step - loss: 0.0182 - sparse_categorical_accuracy: 0.9959 - val_loss: 9.8715e-04 - val_sparse_categorical_accuracy: 1.0000
Epoch 00018: LearningRateScheduler reducing learning rate to 3.6800595927040014e-05.
Epoch 18/20
99/99 [==============================] - 100s 1s/step - loss: 0.0169 - sparse_categorical_accuracy: 0.9972 - val_loss: 9.7219e-04 - val_sparse_categorical_accuracy: 1.0000
Epoch 00019: LearningRateScheduler reducing learning rate to 3.1440476741632015e-05.
Epoch 19/20
99/99 [==============================] - 101s 1s/step - loss: 0.0160 - sparse_categorical_accuracy: 0.9973 - val_loss: 8.9415e-04 - val_sparse_categorical_accuracy: 1.0000
Epoch 00020: LearningRateScheduler reducing learning rate to 2.7152381393305616e-05.
Epoch 20/20
99/99 [==============================] - 100s 1s/step - loss: 0.0170 - sparse_categorical_accuracy: 0.9965 - val_loss: 8.7359e-04 - val_sparse_categorical_accuracy: 1.0000
第1-5輪。我們發現回調函數LearningRateScheduler自動調整學習率，並且驗證准確率最大為0.9706
最后的五輪，第16-20輪。我們發現回調函數LearningRateScheduler自動調整學習率，並且驗證准確率保持在1
7.3. 繪制損失和准確率曲線
# 畫出訓練集和驗證集隨輪次變化的損失和准確率
display_training_curves(history.history['loss'], history.history['val_loss'], 'loss', 211) #損失曲線
display_training_curves(history.history['sparse_categorical_accuracy'], history.history['val_sparse_categorical_accuracy'], 'accuracy', 212) #准確率曲線
# display_training_curves(history.history['loss'], history.history['loss'], 'loss', 211)
# display_training_curves(history.history['sparse_categorical_accuracy'], history.history['sparse_categorical_accuracy'], 'accuracy', 212)
7.4. 繪制混淆矩陣
# 因為我們要分割數據集並分別對圖像和標簽進行迭代，所以順序很重要。
cmdataset = get_validation_dataset(ordered=True) # 驗證集
images_ds = cmdataset.map(lambda image, label: image) # 圖像集
labels_ds = cmdataset.map(lambda image, label: label).unbatch() # 標簽集
cm_correct_labels = next(iter(labels_ds.batch(NUM_VALIDATION_IMAGES))).numpy() # get everything as one batch
cm_probabilities = model.predict(images_ds) # 圖片在104個類別上的概率
cm_predictions = np.argmax(cm_probabilities, axis=-1) # 其中最大的概率表示這個圖片的預測類別
print("Correct labels: ", cm_correct_labels.shape, cm_correct_labels) # 輸出正確（實際）標簽的形狀、輸出正確標簽
print("Predicted labels: ", cm_predictions.shape, cm_predictions) # 輸出預測標簽的形狀、輸出預測標簽
Correct labels: (3712,) [ 50 13 74 ... 102 48 67]
Predicted labels: (3712,) [ 50 13 74 ... 102 48 67]
# 計算混淆矩陣
# 參數為實際標簽和預測的標簽
cmat = confusion_matrix(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)))
# 計算f1分數
score = f1_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 計算精確率
precision = precision_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 計算召回率
recall = recall_score(cm_correct_labels, cm_predictions, labels=range(len(CLASSES)), average='macro')
# 歸一化
cmat = (cmat.T / cmat.sum(axis=1)).T # normalized
# 繪制混淆矩陣
display_confusion_matrix(cmat, score, precision, recall)
# 輸出f1分數、精確率、召回率
print('f1 score: {:.3f}, precision: {:.3f}, recall: {:.3f}'.format(score, precision, recall))
圖一：非本次的混沌矩陣，這是V1版本的混沌矩陣，這里放圖只是因為我們最后的准確率（V18版本）太高，圖一無法讓我們感受到混淆矩陣的魅力。貼一個准確率低一點的來讓我們感受混淆矩陣的魅力。
對驗證集預測后，
准確率（accuracy ）為40%
f1分數（f1 score）=0.246,
精確率（precision）=0.419，
召回率（recall）=0.226
圖二：本次的混沌矩陣，這是V18版本的混沌矩陣，
對驗證集預測后，
准確率（accuracy ）為99.9%
f1分數（f1 score）=1,
精確率（precision）=1，
召回率（recall）=1
f1 score: 1.000, precision: 1.000, recall: 1.000
8. 預測
# 因為我們要分割數據集並分別對圖像和ID進行迭代，所以順序很重要。
test_ds = get_test_dataset(ordered=True) # 測試集
# 對測試集進行預測
print('Computing predictions...')
test_images_ds = test_ds.map(lambda image, idnum: image) #測試集的圖片
probabilities = model.predict(test_images_ds) # 圖片在104個類別上的概率
predictions = np.argmax(probabilities, axis=-1) # 其中最大的概率表示這個圖片的預測類別
print(predictions) # 輸出預測類別
# 生成提交文件
print('Generating submission.csv file...')
test_ids_ds = test_ds.map(lambda image, idnum: idnum).unbatch() #測試集的id
test_ids = next(iter(test_ids_ds.batch(NUM_TEST_IMAGES))).numpy().astype('U') # 准換id的數據類型 # all in one batch
# 第一種存儲文件方式，不需要pandas
# np.savetxt('submission.csv', np.rec.fromarrays([test_ids, predictions]), fmt=['%s', '%d'], delimiter=',', header='id,label', comments='')
# 第二種存儲文件的方式，需要pandas
import pandas as pd
test = pd.DataFrame({"id":test_ids,"label":predictions}) #將id列和label列創建成一個DataFrame
print(test.head) # 輸出test的前幾行
test.to_csv("submission.csv",index = False) # 生成沒有索引的submission.csv，以便提交
Computing predictions...
[ 67 28 83 ... 86 102 62]
Generating submission.csv file...
<bound method NDFrame.head of id label
0 252d840db 67
1 1c4736dea 28
2 c37a6f3e9 83
3 00e4f514e 103
4 59d1b6146 70
... ... ...
7377 c785abe6f 7
7378 9b9c0e574 68
7379 e46998f4d 86
7380 523df966b 102
7381 e86e2a592 62
[7382 rows x 2 columns]>
9. 視覺上進行一下驗證，看下預測效果
這里為什么選擇驗證集進行視覺上的驗證？
我們選取驗證集進行驗證，因為模型是根據訓練集訓練的，而驗證集和測試集都和訓練集毫不相關，但是驗證集有實際標簽，方便我們進行驗證
dataset = get_validation_dataset() # 獲取驗證集
dataset = dataset.unbatch().batch(20) #將驗證集分成大小為20的小批量
batch = iter(dataset) # 將數據集轉化為Iterator對象
# 再次運行該單元格以獲取下一組圖像
images, labels = next(batch) # 獲取驗證集的下一個批量
probabilities = model.predict(images) # 圖片在104個類別上的概率
predictions = np.argmax(probabilities, axis=-1) # 其中最大的概率表示這個圖片的預測類別
display_batch_of_images((images, labels), predictions) # 展示一個批量的圖片，圖片標題為預測標簽+預測標簽是否正確（OK或NO）
# 舉個例子：標題為wild rose（NO->watercress），這個圖片實際是豆瓣花，但是預測為野玫瑰，所以它是錯的。所以它的標簽為 野玫瑰（NO->豆瓣花）
圖一：非本次的經過預測的驗證集部分圖片，這是V1版本，這里放圖只是因為我們最后的准確率（V18版本）太高，圖一無法讓我們看到預測失敗時的情況。
對驗證集預測后，
准確率（accuracy ）為40%
f1分數（f1 score）=0.246,
精確率（precision）=0.419，
召回率（recall）=0.226
圖二：本次的經過預測的驗證集的部分圖片，這是V18版本，對驗證集預測后的
准確率（accuracy ）為99.9%
f1分數（f1 score）=1,
精確率（precision）=1，
召回率（recall）=1
