Intro

這是深度學(xué)習(xí)第3課。

在本課程結(jié)束時，您將能夠編寫TensorFlow和Keras代碼，以使用計算機視覺中最好的模型之一。

Lesson

[1]

from IPython.display import YouTubeVideo YouTubeVideo('Epn3ryqr-F8', width=800, height=450)

Sample Code

選擇要使用的圖像

【2】

from os.path import joinimage_dir = '../input/dog-breed-identification/train/' img_paths = [join(image_dir, filename) for filename in ['0246f44bb123ce3f91c939861eb97fb7.jpg','84728e78632c0910a69d33f82e62638c.jpg','8825e914555803f4c67b26593c9d5aff.jpg','91a5e8db15bccfb6cfa2df5e8b95ec03.jpg']]

讀取和準備用于建模的圖像的函數(shù)

【3】

import numpy as np from tensorflow.python.keras.applications.resnet50 import preprocess_input from tensorflow.python.keras.preprocessing.image import load_img, img_to_arrayimage_size = 224def read_and_prep_images(img_paths, img_height=image_size, img_width=image_size):imgs = [load_img(img_path, target_size=(img_height, img_width)) for img_path in img_paths]img_array = np.array([img_to_array(img) for img in imgs])return preprocess_input(img_array) /opt/conda/lib/python3.6/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.from ._conv import register_converters as _register_converters

使用預(yù)訓(xùn)練權(quán)重文件創(chuàng)建模型，作出預(yù)測：

【4】

from tensorflow.python.keras.applications import ResNet50my_model = ResNet50(weights='../input/resnet50/resnet50_weights_tf_dim_ordering_tf_kernels.h5') test_data = read_and_prep_images(img_paths) preds = my_model.predict(test_data)

視覺預(yù)測

【5】

import sys # Add directory holding utility functions to path to allow importing sys.path.append('/kaggle/input/python-utility-code-for-deep-learning-exercises/utils') from decode_predictions import decode_predictionsfrom IPython.display import Image, displaymost_likely_labels = decode_predictions(preds, top=3, class_list_path='../input/resnet50/imagenet_class_index.json')for i, img_path in enumerate(img_paths):display(Image(img_path))print(most_likely_labels[i])

[('n02097209', 'standard_schnauzer', 0.54968953), ('n02097047', 'miniature_schnauzer', 0.42013007), ('n02097130', 'giant_schnauzer', 0.019662209)]

[('n02092339', 'Weimaraner', 0.9932476), ('n02099849', 'Chesapeake_Bay_retriever', 0.0026773105), ('n02109047', 'Great_Dane', 0.0013211624)]

[('n02105855', 'Shetland_sheepdog', 0.95110327), ('n02106030', 'collie', 0.043800134), ('n02096294', 'Australian_terrier', 0.0012826553)]

[('n02110627', 'affenpinscher', 0.90041274), ('n02112706', 'Brabancon_griffon', 0.059599612), ('n02086079', 'Pekinese', 0.008652819)]

Exercise

現(xiàn)在您已準備好自己使用強大的TensorFlow模型。

Continue

練習(xí)結(jié)束后，繼續(xù)學(xué)習(xí)Transfer Learning。將讓您利用預(yù)先訓(xùn)練的模型，遠遠超出最初的目的。 當他們第一次體驗Transfer學(xué)習(xí)的力量時，大多數(shù)人都感到驚訝。

?

Exercise:Coding in TensorFlow and Keras

Exercise Introduction

電視節(jié)目硅谷有一個名為“See Food”的應(yīng)用程序，它承諾在圖片中識別食物（在這個緊張的場景中演示應(yīng)用程序）。
在本練習(xí)中，您將使用預(yù)先訓(xùn)練的模型和TensorFlow為此應(yīng)用程序構(gòu)建引擎。
復(fù)制這篇筆記，并按照以下步驟。

?

1）Create Image Paths

我們已經(jīng)提供了測試的圖片文件，運行下面的代碼存儲文件路徑：

【1】

from os.path import joinhot_dog_image_dir = '../input/hot-dog-not-hot-dog/seefood/train/hot_dog'hot_dog_paths = [join(hot_dog_image_dir,filename) for filename in ['1000288.jpg','127117.jpg']]not_hot_dog_image_dir = '../input/hot-dog-not-hot-dog/seefood/train/not_hot_dog' not_hot_dog_paths = [join(not_hot_dog_image_dir, filename) for filename in['823536.jpg','99890.jpg']]img_paths = hot_dog_paths + not_hot_dog_paths

2）Set Up Preprocessing

將read_and_prep_images函數(shù)從指令頁面復(fù)制到下面的單元格中（替換當前存在的函數(shù)）。

【2】

import numpy as np from tensorflow.python.keras.applications.resnet50 import preprocess_input from tensorflow.python.keras.applications import ResNet50 from tensorflow.python.keras.preprocessing.image import load_img, img_to_arrayimage_size = 224def read_and_prep_images(img_paths, img_height=image_size, img_width=image_size):pass

3）Modeling

創(chuàng)建一個Resnet50模型并將其另存為my_model。

將read_and_prep_images函數(shù)應(yīng)用于img_paths并將結(jié)果保存為image_data。

使用my_model預(yù)測image_data的內(nèi)容。 將結(jié)果存儲在my_preds中。

您可以查看說明頁面以提醒自己如何執(zhí)行此操作。

4) Visualize Your Results

導(dǎo)入我們用來獲取頂部標簽的decode_predictions函數(shù)。TensorFlow包含此函數(shù)的替代版本，但我們將使用針對在Kaggle Kernel上運行而優(yōu)化的版本。

【4】

import sys from learntools.deep_learning.decode_predictions import decode_predictions

取消注釋下面的行以查看示例圖像和預(yù)測

【5】

from IPython.display import Image, display# most_likely_labels = decode_predictions(my_preds, top=3, class_list_path='../input/resnet50/imagenet_class_index.json') # for i, img_path in enumerate(img_paths): # display(Image(img_path)) # print(most_likely_labels[i])

?

Keep Going

您已準備好進行Transfer Learning，這將允許您為自定義目的應(yīng)用相同級別的效率。

總結(jié)

以上是生活随笔為你收集整理的3.Programming in TensorFlow and Keras的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。