本次實驗類似于貓狗大戰，只不過將兩種動物識別變為了四種動物識別。
本文的重點是卷積神經網絡Xception的實踐，在之前的學習中，我們已經實驗過其他幾種比較常用的網絡模型，但是Xception網絡并未實踐過。在弄本科畢設的時候，一個好朋友的畢設就是基于Xception實現海洋垃圾的識別，最終的實驗效果達到了99%左右，由此可見Xception的模型性能還是不錯的。
本次實驗基于Xception實現動物識別，最終的模型準確率在95%左右。

1.導入庫

import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import os,pathlib,PIL# 支持中文 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用來正常顯示中文標簽 plt.rcParams['axes.unicode_minus'] = False # 用來正常顯示負號

2.數據加載

data_dir = "E:/tmp/.keras/datasets/animal_photos" data_dir = pathlib.Path(data_dir) img_count = len(list(data_dir.glob('*/*')))

共4000張圖片

all_images_paths = list(data_dir.glob('*')) all_images_paths = [str(path) for path in all_images_paths] all_label_names = [path.split("\\")[5].split(".")[0] for path in all_images_paths] 分為四類： ['cat', 'chook', 'dog', 'horse']

超參數的設置：

height = 224 width = 224 epochs =10 batch_size = 128

圖像增強：
一共分為4類，每一類有1000張圖片，數據并不是很多，因此對原數據進行數據加強。并按照8：2的比例劃分訓練集與測試集。

train_data_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255,rotation_range=45,shear_range=0.2,zoom_range=0.2,validation_split=0.2,horizontal_flip=True ) train_ds = train_data_gen.flow_from_directory(directory=data_dir,target_size=(height,width),batch_size=batch_size,shuffle=True,class_mode='categorical',subset='training' ) test_ds = train_data_gen.flow_from_directory(directory=data_dir,target_size=(height,width),batch_size=batch_size,shuffle=True,class_mode='categorical',subset='validation' )

顯示圖像：

plt.figure(figsize=(15, 10)) # 圖形的寬為15高為10for images, labels in train_ds:for i in range(8):ax = plt.subplot(5, 8, i + 1)plt.imshow(images[i])plt.title(all_label_names[np.argmax(labels[i])])plt.axis("off")break plt.show()

3.Xception模型

Xception是Inception的改進版本，創新點便是 深度可分離卷積。

深度可分離卷積 = 深度卷積+逐點卷積。具體步驟如下所示：

第一步：Depthwise 卷積，對輸入的每個channel，分別進行 3 × 3 卷積操作，并將結果 concat。
第二步：Pointwise 卷積，對 Depthwise 卷積中的 concat 結果，進行 1 × 1 卷積操作。

標準卷積與深度可分離卷積的對比如下所示：圖片來源

既然最終的結果是一樣的，那為什么深度可分離卷積方式更優呢？
原因就是利用深度可分離卷積，參數更少，從而在迭代更新的過程中，計算量就更小。

本次實驗利用遷移學習采用官方模型進行訓練

base_model = tf.keras.applications.Xception(weights = 'imagenet',include_top = False,pooling = 'max',input_shape = (height,width,3)) base_model.trainable = False#前面的參數設置為不可訓練 input = base_model.input x = tf.keras.layers.Dense(256,activation='relu')(base_model.output) x = tf.keras.layers.Dense(128,activation='relu')(x) output = tf.keras.layers.Dense(4,activation='sigmoid')(x) model = tf.keras.models.Model(inputs = input,outputs = output)

優化器的設置：

# 設置初始學習率 initial_learning_rate = 1e-4lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate,decay_steps=300,decay_rate=0.96,staircase=True)# 將指數衰減學習率送入優化器 optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

網絡編譯&&訓練

model.compile(optimizer = optimizer,loss = "categorical_crossentropy",metrics = ['accuracy'] )history = model.fit(train_ds,validation_data = test_ds,epochs = epochs )

Accuracy與Loss圖如下所示：

模型準確率比較高，在95%左右。

4.預測&&混淆矩陣

模型保存：

model.save("E:/Users/yqx/PycharmProjects/animal_rec/model.h5")

模型加載：

model = tf.keras.models.load_model("E:/Users/yqx/PycharmProjects/animal_rec/model.h5")

預測：

plt.figure(figsize=(50,50)) num = 0 for images,labels in test_ds:for i in range(64):ax = plt.subplot(8,8,i+1)plt.imshow(images[i])img_array = tf.expand_dims(images[i],0)pre = model.predict(img_array)if np.argmax(pre) == np.argmax(labels[i]):plt.title(all_label_names[np.argmax(pre)])else:plt.title("False :"+str(all_label_names[np.argmax(pre)]))if np.argmax(pre) == np.argmax(labels[i]):num += 1plt.axis("off")break plt.suptitle("The Acc rating is:{}".format(num / 64)) plt.show()

混淆矩陣的繪制：

from sklearn.metrics import confusion_matrix import seaborn as sns import pandas as pd#繪制混淆矩陣 def plot_cm(labels,pre):conf_numpy = confusion_matrix(labels,pre)#根據實際值和預測值繪制混淆矩陣conf_df = pd.DataFrame(conf_numpy,index=all_label_names,columns=all_label_names)#將data和all_label_names制成DataFrameplt.figure(figsize=(8,7))sns.heatmap(conf_df,annot=True,fmt="d",cmap="BuPu")#將data繪制為混淆矩陣plt.title('混淆矩陣',fontsize = 15)plt.ylabel('真實值',fontsize = 14)plt.xlabel('預測值',fontsize = 14)plt.show() test_pre = [] test_label = [] num = 0 for images,labels in test_ds:num = num + 1for image,label in zip(images,labels):img_array = tf.expand_dims(image,0)#增加一個維度pre = model.predict(img_array)#預測結果test_pre.append(all_label_names[np.argmax(pre)])#將預測結果傳入列表test_label.append(all_label_names[np.argmax(label)])#將真實結果傳入列表if num == 3:#由于硬件問題，只測試了3個batch_sizebreak plot_cm(test_label,test_pre)#繪制混淆矩陣

努力加油a啊

總結

以上是生活随笔為你收集整理的深度学习之基于Xception实现四种动物识别的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。