tensorflow垃圾分类的构建和实现是怎样的-群英

上一篇：threading模块如何创建线程，有几种方式下一篇：Pandas如何实现读取excel进度，方法和代码是什么

关于“tensorflow垃圾分类的构建和实现是怎样的”的知识有一些人不是很理解，对此小编给大家总结了相关内容，具有一定的参考借鉴价值，而且易于学习与理解，希望能对大家有所帮助，有这个方面学习需要的朋友就继续往下看吧。

介绍

这是一个基于深度学习的垃圾分类小工程，用深度残差网络构建

软件架构

使用深度残差网络resnet50作为基石，在后续添加需要的层以适应不同的分类任务
模型的训练需要用生成器将数据集循环写入内存，同时图像增强以泛化模型
使用不包含网络输出部分的resnet50权重文件进行迁移学习，只训练我们在5个stage后增加的层

安装教程

需要的第三方库主要有tensorflow1.x，keras，opencv，Pillow，scikit-learn，numpy
安装方式很简单，打开terminal，例如：pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
数据集与权重文件比较大，所以没有上传
如果环境配置方面有问题或者需要数据集与模型权重文件，可以在评论区说明您的问题，我将远程帮助您

使用说明

文件夹theory记录了我在本次深度学习中收获的笔记，与模型训练的控制台打印信息
迁移学习需要的初始权重与模型定义文件resnet50.py放在model
下训练运行trainNet.py，训练结束会创建models文件夹，并将结果权重garclass.h5写入该文件夹
datagen文件夹下的genit.py用于进行图像预处理以及数据生成器接口
使用训练好的模型进行垃圾分类，运行Demo.py

结果演示

cans易拉罐

代码解释

在实际的模型中，我们只使用了resnet50的5个stage，后面的输出部分需要我们自己定制，网络的结构图如下：

stage5后我们的定制网络如下：

"""定制resnet后面的层"""
def custom(input_size,num_classes,pretrain):
    # 引入初始化resnet50模型
    base_model = ResNet50(weights=pretrain,
                          include_top=False,
                          pooling=None,
                          input_shape=(input_size,input_size, 3),
                          classes=num_classes)
    #由于有预权重，前部分冻结，后面进行迁移学习
    for layer in base_model.layers:
        layer.trainable = False
    #添加后面的层
    x = base_model.output
    x = layers.GlobalAveragePooling2D(name='avg_pool')(x)
    x = layers.Dropout(0.5,name='dropout1')(x)
    #regularizers正则化层，正则化器允许在优化过程中对层的参数或层的激活情况进行惩罚
    #对损失函数进行最小化的同时，也需要让对参数添加限制，这个限制也就是正则化惩罚项，使用l2范数
    x = layers.Dense(512,activation='relu',kernel_regularizer= regularizers.l2(0.0001),name='fc2')(x)
    x = layers.BatchNormalization(name='bn_fc_01')(x)
    x = layers.Dropout(0.5,name='dropout2')(x)
    #40个分类
    x = layers.Dense(num_classes,activation='softmax')(x)
    model = Model(inputs=base_model.input,outputs=x)
    #模型编译
    model.compile(optimizer="adam",loss = 'categorical_crossentropy',metrics=['accuracy'])
    return model

网络的训练是迁移学习过程，使用已有的初始resnet50权重（5个stage已经训练过，卷积层已经能够提取特征），我们只训练后面的全连接层部分，4个epoch后再对较后面的层进行训练微调一下，获得更高准确率，训练过程如下：

class Net():
    def __init__(self,img_size,gar_num,data_dir,batch_size,pretrain):
        self.img_size=img_size
        self.gar_num=gar_num
        self.data_dir=data_dir
        self.batch_size=batch_size
        self.pretrain=pretrain
    def build_train(self):
        """迁移学习"""
        model = resnet.custom(self.img_size, self.gar_num, self.pretrain)
        model.summary()
        train_sequence, validation_sequence = genit.gendata(self.data_dir, self.batch_size, self.gar_num, self.img_size)
        epochs=4
        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs,verbose=1,validation_data=validation_sequence,
                                     max_queue_size=10,shuffle=True)
        #微调,在实际工程中，激活函数也被算进层里，所以总共181层，微调是为了重新训练部分卷积层，同时训练最后的全连接层
        layers=149
        learning_rate=1e-4
        for layer in model.layers[:layers]:
            layer.trainable = False
        for layer in model.layers[layers:]:
            layer.trainable = True
        Adam =adam(lr=learning_rate, decay=0.0005)
        model.compile(optimizer=Adam, loss='categorical_crossentropy', metrics=['accuracy'])
        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs * 2,verbose=1,
            callbacks=[
                callbacks.ModelCheckpoint('./models/garclass.h5',monitor='val_loss', save_best_only=True, mode='min'),
                callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1,patience=10, mode='min'),
                callbacks.EarlyStopping(monitor='val_loss', patience=10),],
            validation_data=validation_sequence,max_queue_size=10,shuffle=True)
        print('finish train,look for garclass.h5')

训练结果如下：