内容简介:有一组照片,分为男人和女人。本案就是让深度学习模型来学习这些样本,并能够找到其中的规律,完成模型的训练。接着可以使用该模型对图片中的人物进行识别,区分其性别是男还是女。
第八届中国 Python 开发者大会PyConChina2018,由PyChina.org发起,由来自CPyUG/TopGeek等社区的30位组织者,近150位志愿者在北京、上海、深圳、杭州、成都等城市举办。致力于推动各类Python相关的技术在互联网、企业应用等领域的研发和应用。
代码医生工作室有幸接受邀请,参加了这次会议的北京站专场。在会上主要分享了《人工智能实战案例分享-图像处理与数值分析》。
会上分享的一些案例主要是来源于《python带我起飞——入门、进阶、商业实战》一书与《深度学习之TensorFlow:入门、原理与进阶实战》一书。另外,还扩充了若干其它案例。在本文作为补充,将会上分享的其它案例以详细的图文方式补充进来,并提供源码。共分为4期连载。
-
用slim调用PNASNet模型
-
用slim微调PNASNet模型
-
用对抗样本攻击PNASNet模型
-
恶意域名检测实例
通过微调模型实现分辨男女
案例描述
有一组照片,分为男人和女人。
本案就是让深度学习模型来学习这些样本,并能够找到其中的规律,完成模型的训练。接着可以使用该模型对图片中的人物进行识别,区分其性别是男还是女。
本案例中,使用了一个NASNet_A_Mobile的模型来做二次训练。具体过程分为4步:
(1)准备样本;
(2)准备NASNet_A_Mobile网络模型;
(3)编写代码进行二次训练;
(4)使用已经训练好的模型进行测试。
准备样本
通过如下链接下载CelebA数据集:
mmlab.ie.cuhk.edu.hk/projects/Ce…
下载完之后,解压,并手动分出一部分男人与女人的照片。
在本例中,一共用了20000张图片用来训练模型,其中训练样本由8421张男性头像和11599张女性头像构成(在train文件夹下),测试样本由10张男性头像和10张女性头像构成(在val文件夹下)。部分样本数据如图5-1。
图5-1 男女数据集样本示例
数据样本整理好后,统一放到data文件夹下。该数据样本同样也可以在随书的配套资源中找到。
代码环境及模型准备
为了使读者能够快速完成该实例,直观上感受到模型的识别能力,可以直接使用本书配套的资源。并将其放到代码的同级目录下即可。
如果想体验下从零开始手动搭建,也可以按照下面的方法准备代码环境及预编译模型。
1. 下载models与部署TensorFlow slim模块
该部分的内容与3.1节完全一样,这里不再详述。
2. 下载NASNet_A_Mobile模型
该部分的内容与3.1节类似。在如图3-2中的倒数第3个模型,找到 “nasnet-a_mobile_04_10_2017.tar.gz”的下载链接。将其下载并解压。
3. 整体代码文件部署结构
本案例是通过4个代码文件来实现的,具体文件及描述如下:
l 5-1 mydataset.py:处理男女图片数据集的代码;
l 5-2 model.py:加载预编译模型NASNet_A_Mobile,并进行微调的代码;
l 5-3 train.py:训练模型的代码;
l 5-4 test.py:测试模型的代码。
部署时,将这4个代码文件与slim库、NASNet_A_Mobile模型、样本一起放到一个文件夹下即可。完整的文件结构如图5-2。
图5-2 分辨男女案例的文件结构
代码实现:处理样本数据并生成Dataset对象
本案例中,直接将数据集的相关操作封装到了“5-1 mydataset.py”代码文件里。在该文件中,实现了符合训练与测试使用场景的数据集。在训练模式下,会对数据进行乱序处理;在测试模式下,直接使用顺序数据。两种数据集都是按批次读取。
这部分的知识在第4章已经有全面的介绍,这里不再详述。完整代码如下:
代码5-1 mydataset
1 import tensorflow as tf 2 import sys 3 nets_path = r'slim' #加载环境变量 4 if nets_path not in sys.path: 5 sys.path.insert(0,nets_path) 6 else: 7 print('already add slim') 8 from nets.nasnet import nasnet #导出nasnet 9 slim = tf.contrib.slim #slim 10 image_size = nasnet.build_nasnet_mobile.default_image_size #获得图片输入尺寸 224 11 from preprocessing import preprocessing_factory #图像处理 12 13 import os 14 def list_images(directory): 15 """ 16 获取所有directory中的所有图片和标签 17 """ 18 19 #返回path指定的文件夹包含的文件或文件夹的名字的列表 20 labels = os.listdir(directory) 21 #对标签进行排序,以便训练和验证按照相同的顺序进行 22 labels.sort() 23 #创建文件标签列表 24 files_and_labels = [] 25 for label in labels: 26 for f in os.listdir(os.path.join(directory, label)): 27 #转换字符串中所有大写字符为小写再判断 28 if 'jpg' in f.lower() or 'png' in f.lower(): 29 #加入列表 30 files_and_labels.append((os.path.join(directory, label, f), label)) 31 #理解为解压 把数据路径和标签解压出来 32 filenames, labels = zip(*files_and_labels) 33 #转换为列表 分别储存数据路径和对应标签 34 filenames = list(filenames) 35 labels = list(labels) 36 #列出分类总数 比如两类:['man', 'woman'] 37 unique_labels = list(set(labels)) 38 39 label_to_int = {} 40 #循环列出数据和数据下标,给每个分类打上标签{'woman': 2, 'man': 1,none:0} 41 for i, label in enumerate(sorted(unique_labels)): 42 label_to_int[label] = i+1 43 print(label,label_to_int[label]) 44 #把每个标签化为0 1 这种形式 45 labels = [label_to_int[l] for l in labels] 46 print(labels[:6],labels[-6:]) 47 return filenames, labels #返回储存数据路径和对应转换后的标签 48 49 num_workers = 2 #定义并行处理数据的线程数量 50 51 #图像批量预处理 52 image_preprocessing_fn = preprocessing_factory.get_preprocessing('nasnet_mobile', is_training=True) 53 image_eval_preprocessing_fn = preprocessing_factory.get_preprocessing('nasnet_mobile', is_training=False) 54 55 def _parse_function(filename, label): #定义图像解码函数 56 image_string = tf.read_file(filename) 57 image = tf.image.decode_jpeg(image_string, channels=3) 58 return image, label 59 60 def training_preprocess(image, label): #定义调整图像大小函数 61 image = image_preprocessing_fn(image, image_size, image_size) 62 return image, label 63 64 def val_preprocess(image, label): #定义评估图像预处理函数 65 image = image_eval_preprocessing_fn(image, image_size, image_size) 66 return image, label 67 68 #创建带批次的数据集 69 def creat_batched_dataset(filenames, labels,batch_size,isTrain = True): 70 71 dataset = tf.data.Dataset.from_tensor_slices((filenames, labels)) 72 73 dataset = dataset.map(_parse_function, num_parallel_calls=num_workers) #对图像解码 74 75 if isTrain == True: 76 dataset = dataset.shuffle(buffer_size=len(filenames)) #打乱数据顺序 77 dataset = dataset.map(training_preprocess, num_parallel_calls=num_workers)#调整图像大小 78 else: 79 dataset = dataset.map(val_preprocess,num_parallel_calls=num_workers) #调整图像大小 80 81 return dataset.batch(batch_size) #返回批次数据 82 83 #根据目录返回数据集 84 def creat_dataset_fromdir(directory,batch_size,isTrain = True): 85 filenames, labels = list_images(directory) 86 num_classes = len(set(labels)) 87 dataset = creat_batched_dataset(filenames, labels,batch_size,isTrain) 88 return dataset,num_classes 复制代码
代码11行,导入了preprocessing_factory函数,该函数是slim模块中封装好的工厂函数,用于生成模型的预处理函数。利用统一封装好的预处理函数,对样本进行操作(代码60、61行),可以提升开发效率,并能够减小出错的可能性。
工厂函数的知识点,属于Python基础知识,这里不再详述。有兴趣的读者可以参考《python带我起飞——入门、进阶、商业实战》一书的6.10节。
注意:
这里用了一个技巧。仿照原NASNet_A_Mobile模型的分类方法,在对分类标签排号时,将标签为0的分类空出来,男人与女人分别为1和2。
另外在代码42行,用到的变量unique_labels是从集合对象转化过来的。在使用时需要对齐固定顺序,所以使用了sorted函数进行变换。如果没有这句,在下次启动的时候,有可能出现标签序号与名称对应不上的现象。在多次中断,多次训练的场景下,会造成训练结果的混乱。这部分知识在《python带我起飞——入门、进阶、商业实战》的第四章集合部分的内容中,也做了重点的强调。
代码实现:定义微调模型类MyNASNetModel
在微调模型的实现中,统一通过定义类MyNASNetModel来实现。在类MyNASNetModel中,大致可分为2大动作:初始化设置、构建模型。
l 初始化设置:定义好构建模型时所需要的必要参数;
l 构建模型:针对训练、测试、应用的三种情况分别构建不同的网络模型。在训练过程中,还要支持加载预编译模型及微调模型。
实现定义类MyNASNetModel并进行初始化模型设置的代码如下:
代码5-2 model
1 import sys 2 nets_path = r'slim' #加载环境变量 3 if nets_path not in sys.path: 4 sys.path.insert(0,nets_path) 5 else: 6 print('already add slim') 7 8 import tensorflow as tf 9 from nets.nasnet import nasnet #导出nasnet 10 slim = tf.contrib.slim 11 12 import os 13 mydataset = __import__("5-1 mydataset") 14 creat_dataset_fromdir = mydataset.creat_dataset_fromdir 15 16 class MyNASNetModel(object): 17 """微调模型类MyNASNetModel 18 """ 19 def __init__(self, model_path=''): 20 self.model_path = model_path #原始模型的路径 复制代码
代码20行为初始化MyNASNetModel类的操作。model_path指的是所要加载的原始预编译模型。该操作只有在训练模式下是有意义的。在测试和应用模式下,可以为空。
构建MyNASNetModel类中的基本模型
在构建模型中,无论是训练、测试还是应用,都需要将最基本的NASNet_A_Mobile模型载入。这里通过定义MyNASNetModel类的MyNASNet方法来实现。具体的实现方式与3.3节的实现基本一致,不同的是3.3节构建的是PNASNet网络结构,这里构建的NASNet_A_Mobile结构。
代码5-2 model(续)
21 def MyNASNet(self,images,is_training): 22 arg_scope = nasnet.nasnet_mobile_arg_scope() #获得模型命名空间 23 with slim.arg_scope(arg_scope): 24 #构建NASNet Mobile模型 25 logits, end_points = nasnet.build_nasnet_mobile(images,num_classes = self.num_classes+1, is_training=is_training) 26 27 global_step = tf.train.get_or_create_global_step() #定义记录步数的张量 28 29 return logits,end_points,global_step #返回有用的张量 复制代码
代码25行中,往num_classes参数里传的值代表分类的个数,在本案例中分为男人和女人,一共两类(即,self.num_classes=2,该值是在后文5.2.8节中,build_model方法被赋值的)。再加上一个None类。于是传入的值为self.num_classes+1。
实现MyNASNetModel类中的微调操作
微调操作是针对训练场景下使用的。通过定义MyNASNetModel类中的FineTuneNASNet方法来实现。微调操作主要是对预编译模型的超参进行选择性恢复。
因为预编译模型NASNet_A_Mobile是在ImgNet上训练的,有1000个分类,而本案例中识别男女的任务只有两个分类。所以最后两个输出层的超参不应该被恢复(由于分类不同,导致超参的个数不同)。在实际使用时,最后两层的参数需要对其初始化,并单独训练即可。
代码5-2 model(续)
30 def FineTuneNASNet(self,is_training): #实现微调模型的网络操作 31 model_path = self.model_path 32 33 exclude = ['final_layer','aux_7'] #恢复超参, 除了exclude以外的全部恢复 34 variables_to_restore = slim.get_variables_to_restore(exclude=exclude) 35 if is_training == True: 36 init_fn = slim.assign_from_checkpoint_fn(model_path, variables_to_restore) 37 else: 38 init_fn = None 39 40 tuning_variables = [] #将没有恢复的超参收集起来,用于微调训练 41 for v in exclude: 42 tuning_variables += slim.get_variables(v) 43 44 return init_fn, tuning_variables复制代码
代码中,使用了exclude列表,将不需要恢复的网络节点收集起来(代码33行),接着将预训练模型中的超参值赋值给剩下的节点,完成了预训练模型的载入(代码36行)。最后使用了tuning_variables列表,将不需要恢复的网络节点权重收集起来(代码40行),用于微调训练。
注意:
这里介绍个技巧,如何获得exclude中的元素(代码33行):通过额外执行代码tf.global_variables(),将张量图中的节点打印出来。从里面找到最后两层的节点,并将其填入代码中即可。在找到节点后,还可以通过slim.get_variables函数,来检查该名称的节点是否正确。例如,可以通过将slim.get_variables('final_layer')的返回值打印出来,来观察张量图中是否有final_layer节点。这部分的原理可以参考《深度学习之TensorFlow:入门、原理与进阶实战》书中第4章的内容(在第11章也有类似的案例)。
代码实现:实现与训练相关的其他方法
在MyNASNetModel类中,还需要定义与训练操作相关的其他方法,具体如下:
l build_acc_base方法:用于构建评估模型的相关节点;
l load_cpk方法:用于载入及保存模型检查点
l build_model_train方法:用于构建训练模型中的损失函数及优化器等操作节点。
具体代码如下:
代码5-2 model(续)
45 def build_acc_base(self,labels):#定义评估函数 46 #返回张量中最大值的索引 47 self.prediction = tf.to_int32(tf.argmax(self.logits, 1)) 48 #计算prediction、labels是否相同 49 self.correct_prediction = tf.equal(self.prediction, labels) 50 #计算平均值 51 self.accuracy = tf.reduce_mean(tf.to_float(self.correct_prediction)) 52 #将前5个最高正确率的值取出来,计算平均值 53 self.accuracy_top_5 = tf.reduce_mean(tf.to_float(tf.nn.in_top_k(predictions=self.logits, targets=labels, k=5))) 54 55 def load_cpk(self,global_step,sess,begin = 0,saver= None,save_path = None): #储存和导出模型 56 if begin == 0: 57 save_path=r'./train_nasnet' #定义检查点路径 58 if not os.path.exists(save_path): 59 print("there is not a model path:",save_path) 60 saver = tf.train.Saver(max_to_keep=1) #生成saver 61 return saver,save_path 62 else: 63 kpt = tf.train.latest_checkpoint(save_path) #查找最新的检查点 64 print("load model:",kpt) 65 startepo= 0 #计步 66 if kpt!=None: 67 saver.restore(sess, kpt) #还原模型 68 ind = kpt.find("-") 69 startepo = int(kpt[ind+1:]) 70 print("global_step=",global_step.eval(),startepo) 71 return startepo 72 73 def build_model_train(self,images, 74 labels,learning_rate1,learning_rate2,is_training): 75 self.logits,self.end_points, 76 self.global_step= self.MyNASNet(images,is_training=is_training) 77 self.step_init = self.global_step.initializer 78 79 self.init_fn,self.tuning_variables = self.FineTuneNASNet( 80 is_training=is_training) 81 #定义损失函数 82 tf.losses.sparse_softmax_cross_entropy(labels=labels, 83 logits=self.logits) 84 loss = tf.losses.get_total_loss() 85 #定义微调的率退化学习速率 86 learning_rate1=tf.train.exponential_decay( 87 learning_rate=learning_rate1, global_step=self.global_step, 88 decay_steps=100, decay_rate=0.5) 89 #定义联调的率退化学习速率 90 learning_rate2=tf.train.exponential_decay( 91 learning_rate=learning_rate2, global_step=self.global_step, 92 decay_steps=100, decay_rate=0.2) 93 last_optimizer = tf.train.AdamOptimizer(learning_rate1) #优化器 94 full_optimizer = tf.train.AdamOptimizer(learning_rate2) 95 update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) 96 with tf.control_dependencies(update_ops): #更新批量归一化中的参数 97 #使loss减小方向做优化 98 self.last_train_op = last_optimizer.minimize(loss, self.global_step,var_list=self.tuning_variables) 99 self.full_train_op = full_optimizer.minimize(loss, self.global_step) 100 101 self.build_acc_base(labels) #定义评估模型相关指标 102 #写入日志,支持tensorBoard操作 103 tf.summary.scalar('accuracy', self.accuracy) 104 tf.summary.scalar('accuracy_top_5', self.accuracy_top_5) 105 106 #将收集的所有默认图表并合并 107 self.merged = tf.summary.merge_all() 108 #写入日志文件 109 self.train_writer = tf.summary.FileWriter('./log_dir/train') 110 self.eval_writer = tf.summary.FileWriter('./log_dir/eval') 111 #定义检查点相关变量 112 self.saver,self.save_path = self.load_cpk(self.global_step,None)复制代码
在上面代码中,使用了tf.losses接口来获得loss值。通过调用tf.losses.sparse_softmax_cross_entropy 函数计算具体的loss(见代码82行)。该函数会自动将loss值添加到内部集合ops.GraphKeys.LOSSES中。然后调用tf.losses.get_total_loss函数,将ops.GraphKeys.LOSSES集合中的所有loss值获取,并返回回来(见代码84行)。
在代码96行中,在反向优化时,使用了tf.control_dependencies函数对的批量归一化操作中的均值与方差进行更新。
代码实现:构建模型,用于训练、测试、使用
在MyNASNetModel类中,定义build_model方法用与构建模型的实现。在build_model方法中,通过参数mode来指定模型的具体使用场景。具体代码如下:
代码5-2 model(续)
113 def build_model(self,mode='train',testdata_dir='./data/val',traindata_dir='./data/train', batch_size=32,learning_rate1=0.001,learning_rate2=0.001): 114 115 if mode == 'train': 116 tf.reset_default_graph() 117 #创建训练数据和测试数据的Dataset数据集 118 dataset,self.num_classes = creat_dataset_fromdir(traindata_dir,batch_size) 119 testdataset,_ = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False) 120 121 #创建一个可初始化的迭代器 122 iterator = tf.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes) 123 #读取数据 124 images, labels = iterator.get_next() 125 126 self.train_init_op = iterator.make_initializer(dataset) 127 self.test_init_op = iterator.make_initializer(testdataset) 128 129 self.build_model_train(images, labels,learning_rate1,learning_rate2,is_training=True) 130 self.global_init = tf.global_variables_initializer() #定义全局初始化op 131 tf.get_default_graph().finalize() #将后续的图设为只读 132 elif mode == 'test': 133 tf.reset_default_graph() 134 135 #创建测试数据的Dataset数据集 136 testdataset,self.num_classes = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False) 137 138 #创建一个可初始化的迭代器 139 iterator = tf.data.Iterator.from_structure(testdataset.output_types, testdataset.output_shapes) 140 #读取数据 141 self.images, labels = iterator.get_next() 142 143 self.test_init_op = iterator.make_initializer(testdataset) 144 self.logits,self.end_points, self.global_step= self.MyNASNet(self.images,is_training=False) 145 self.saver,self.save_path = self.load_cpk(self.global_step,None) #定义检查点相关变量 146 #评估指标 147 self.build_acc_base(labels) 148 tf.get_default_graph().finalize() #将后续的图设为只读 149 elif mode == 'eval': 150 tf.reset_default_graph() 151 #创建测试数据的Dataset数据集 152 testdataset,self.num_classes = creat_dataset_fromdir(testdata_dir,batch_size,isTrain = False) 153 154 #创建一个可初始化的迭代器 155 iterator = tf.data.Iterator.from_structure(testdataset.output_types, testdataset.output_shapes) 156 #读取数据 157 self.images, labels = iterator.get_next() 158 159 self.logits,self.end_points, self.global_step= self.MyNASNet(self.images,is_training=False) 160 self.saver,self.save_path = self.load_cpk(self.global_step,None) #定义检查点相关变量 161 tf.get_default_graph().finalize() #将后续的图设为只读复制代码
代码115行,对mode进行了判断,并按照具体的场景进行构建模型。针对训练、测试、使用的三个场景,构建的步骤几乎一样,具体如下:
(1)清空张量图(代码116、133、150);
(2)生成数据集(代码118、136、152);
(3)定义网络结构(代码129、144、159)。
测试与使用的场景是最相似的。在代码中测试比使用的操作对了个评估节点的生成(代码147)。
注意:
在每个操作分支的最后代码部分都加了代码tf.get_default_graph().finalize()(见代码131、148、161行),这是一个很好的习惯。该代码的功能是把图锁定,之后想要添加任何新的操作都会产生错误。这么做的意图是防止在后面训练或是测试过程中,由于开发人员疏忽,在图中添加额外的图操作。一旦在循环内部加了某个张量的操作,将会使整体性能大大下降。然而这种错误又很难发现。利用锁定图的方法,可以避免这种情况的发生。
代码实现:通过二次迭代来训练微调模型
训练微调模型的操作是在代码文件“5-3 train.py”中单独实现的。与正常的训练方式不同,这里使用了二次迭代的方式:
l 第一次迭代:微调模型,固定预编译模型载入的权重,只训练最后两层;
l 第二次迭代:联调模型,使用更小的学习率,训练全部节点。
先将类MyNASNetModel进行实例化,在调用其build_model方法构建模型,然后使用session开始训练。具体代码如下:
代码5-3 train
162 import tensorflow as tf 163 model = __import__("5-2 model") 164 MyNASNetModel = model.MyNASNetModel 165 166 batch_size = 32 167 train_dir = 'data/train' 168 val_dir = 'data/val' 169 170 learning_rate1 = 1e-1 #定义两次迭代的学习率 171 learning_rate2 = 1e-3 172 173 mymode = MyNASNetModel(r'nasnet-a_mobile_04_10_2017\model.ckpt')#初始化模型 174 mymode.build_model('train',val_dir,train_dir,batch_size,learning_rate1 ,learning_rate2 ) #将模型定义载入图中 175 176 num_epochs1 = 20 #微调的迭代次数 177 num_epochs2 = 200 #联调的迭代次数 178 179 with tf.Session() as sess: 180 sess.run(mymode.global_init) #初始全局节点 181 182 step = 0 183 step = mymode.load_cpk(mymode.global_step,sess,1,mymode.saver,mymode.save_path )#载入模型 184 print(step) 185 if step == 0: #微调 186 mymode.init_fn(sess) #载入预编译模型权重 187 188 for epoch in range(num_epochs1): 189 190 print('Starting1 epoch %d / %d' % (epoch + 1, num_epochs1)) #输出进度 191 #用训练集初始化迭代器 192 sess.run(mymode.train_init_op) #数据集从头开始 193 while True: 194 try: 195 step += 1 196 #预测,合并图,训练 197 acc,accuracy_top_5, summary, _ = sess.run([mymode.accuracy, mymode.accuracy_top_5,mymode.merged,mymode.last_train_op]) 198 199 #mymode.train_writer.add_summary(summary, step)#写入日志文件 200 if step % 100 == 0: 201 print(f'step: {step} train1 accuracy: {acc},{accuracy_top_5}') 202 except tf.errors.OutOfRangeError:#数据集指针在最后 203 print("train1:",epoch," ok") 204 mymode.saver.save(sess, mymode.save_path+"/mynasnet.cpkt", global_step=mymode.global_step.eval()) 205 break 206 207 sess.run(mymode.step_init) #微调结束,计数器从0开始 208 209 #整体训练 210 for epoch in range(num_epochs2): 211 print('Starting2 epoch %d / %d' % (epoch + 1, num_epochs2)) 212 sess.run(mymode.train_init_op) 213 while True: 214 try: 215 step += 1 216 #预测,合并图,训练 217 acc, summary, _ = sess.run([mymode.accuracy, mymode.merged, mymode.full_train_op]) 218 219 mymode.train_writer.add_summary(summary, step)#写入日志文件 220 221 if step % 100 == 0: 222 print(f'step: {step} train2 accuracy: {acc}') 223 except tf.errors.OutOfRangeError: 224 print("train2:",epoch," ok") 225 mymode.saver.save(sess, mymode.save_path+"/mynasnet.cpkt", global_step=mymode.global_step.eval()) 226 break复制代码
将以上代码运行后,经过一段时间的训练,可以在本地找到“train_nasnet”文件夹,里面放着的就是训练生成的模型文件。
代码实现:测试模型
测试模型的操作是在代码文件“5-4 test.py”中单独实现的。这里实现了使用测试数据集对现有模型的评估,并且使用单张图片放到模型里进行预测。
1. 定义测试模型所需要的功能函数
首先定义函数check_accuracy实现准确率的计算,接着定义函数check_sex实现男女性别的识别。具体代码如下:
代码5-4 test
227 import tensorflow as tf 228 model = __import__("5-2 model") 229 MyNASNetModel = model.MyNASNetModel 230 231 import sys 232 nets_path = r'slim' #加载环境变量 233 if nets_path not in sys.path: 234 sys.path.insert(0,nets_path) 235 else: 236 print('already add slim') 237 238 from nets.nasnet import nasnet #导出nasnet 239 slim = tf.contrib.slim #slim 240 image_size = nasnet.build_nasnet_mobile.default_image_size #获得图片输入尺寸 224 241 242 import numpy as np 243 from PIL import Image 244 245 batch_size = 32 246 test_dir = 'data/val' 247 248 def check_accuracy(sess): 249 """ 250 测试模型准确率 251 """ 252 sess.run(mymode.test_init_op) #初始化测试数据集 253 num_correct, num_samples = 0, 0 #定义正确个数 和 总个数 254 i = 0 255 while True: 256 i+=1 257 print('i',i) 258 try: 259 #计算correct_prediction 获取prediction、labels是否相同 260 correct_pred,accuracy,logits = sess.run([mymode.correct_prediction,mymode.accuracy,mymode.logits]) 261 #累加correct_pred 262 num_correct += correct_pred.sum() 263 num_samples += correct_pred.shape[0] 264 print("accuracy",accuracy,logits) 265 266 267 except tf.errors.OutOfRangeError: #捕获异常,数据用完自动跳出 268 print('over') 269 break 270 271 acc = float(num_correct) / num_samples #计算并返回准确率 272 return acc 273 274 275 def check_sex(imgdir,sess): #定义函数识别男女 276 img = Image.open(image_dir) #读入图片 277 if "RGB"!=img.mode : #检查图片格式 278 img = img.convert("RGB") 279 280 img = np.asarray(img.resize((image_size,image_size)), #图像预处理 281 dtype=np.float32).reshape(1,image_size,image_size,3) 282 img = 2 *( img / 255.0)-1.0 283 284 prediction = sess.run(mymode.logits, {mymode.images: img})#传入nasnet输入端中 285 print(prediction) 286 287 pre = prediction.argmax() #返回张量中最大值的索引 288 print(pre) 289 290 if pre == 1: img_id = 'man' 291 elif pre == 2: img_id = 'woman' 292 else: img_id = 'None' 293 plt.imshow( np.asarray((img[0]+1)*255/2,np.uint8 ) ) 294 plt.show() 295 print(img_id,"--",image_dir) #返回类别 296 return pre复制代码
2. 建立会话,进行测试
首先建立会话session,对模型进行测试,接着取2张图片输入模型,进行男女的判断。具体代码如下:
代码5-4 test(续)
297 mymode = MyNASNetModel() #初始化模型 298 mymode.build_model('test',test_dir ) #将模型定义载入图中 299 300 with tf.Session() as sess: 301 #载入模型 302 mymode.load_cpk(mymode.global_step,sess,1,mymode.saver,mymode.save_path ) 303 304 #测试模型的准确性 305 val_acc = check_accuracy(sess) 306 print('Val accuracy: %f\n' % val_acc) 307 308 #单张图片测试 309 image_dir = 'tt2t.jpg' #选取测试图片 310 check_sex(image_dir,sess) 311 312 image_dir = test_dir + '\\woman' + '\\000001.jpg' #选取测试图片 313 check_sex(image_dir,sess) 314 315 image_dir = test_dir + '\\man' + '\\000003.jpg' #选取测试图片 316 check_sex(image_dir,sess)复制代码
该程序使用的是迭代了100次数据集后的模型文件(如果要效果提高,可以再运行久一点)。代码运行后,输出结果如下。
(1)显示测试集的输出结果:
i 1
accuracy 0.90625 [[-3.813714 1.4075054 1.1485975 ]
[-7.3948846 6.220533 -1.4093535 ]
[-1.9391974 3.048838 0.21784738]
[-3.873174 4.530942 0.43135062]
……
[-3.8561587 2.7012844 -0.3634925 ]
[-4.4860134 4.7661724 -0.67080706]
[-2.9615571 2.8164086 0.71033645]]
i 2
accuracy 0.90625 [[ -6.6900268 -2.373093 6.6710057 ]
[ -4.1005263 0.74619263 4.980012 ]
[ -5.6469827 0.39027584 1.2689826 ]
……
[ -5.8080773 0.9121424 3.4134243 ]
[ -4.242001 0.08483959 4.056322 ]]
i 3
over
Val accuracy: 0.906250
上面显示的是测试集中man和woman文件夹中图片的计算结果。最终模型的准确率为90%。
(2)显示单张图片的运行结果:
[[-4.8022223 1.9008529 1.9379601]]
2
图5-3 分辨男女测试图片(a)
woman -- tt2t.jpg
[[-6.181205 -2.9042015 6.1356106]]
2
图5-3 分辨男女测试图片(b)
woman -- data/val\woman\000001.jpg
[[-4.896065 1.7791721 1.3118265]]
1
图5-3 分辨男女测试图片(c)
man -- data/val\man\000003.jpg
上面显示了3张图片,分别为自选图片、测试数据集中的女人图片、测试数据集中的男人图片,每张图片下面显示了模型识别的结果。可以看到结果与图片内容一致。
结尾
文内代码可以直接运行使用。如果不想手动搭建,还可以下载本文的配套代码。
【代码获取】:关注公众号: xiangyuejiqiren 公众号回复“ pycon2 ”
如果觉得本文有用
可以分享给更多小伙伴
以上所述就是小编给大家介绍的《连载二:PyCon2018|用slim微调PNASNet模型(附源码)》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 再谈迁移学习:微调网络
- layui-v2.4.5 兼容性微调
- 微软再次修改 Visual Studio 图标,并微调用户界面
- 微软再次修改 Visual Studio 图标,并微调用户界面
- Qt 5.9 Beta 发布,将微调 Qt 的发布流程
- 【火炉炼AI】深度学习007-Keras微调进一步提升性能
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。