- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者:K同学啊
T10 使用 TensorFlow 实现数据增强
在深度学习的图像分类任务中,数据增强是一种常用的技术,它通过对现有训练样本进行随机变换(例如翻转、旋转、缩放等),以生成更多的训练数据,帮助模型更好地泛化,提升模型在未知数据上的表现。Pytorch框架数据增强方式较为方便,但对于tensorflow还不熟悉,这周主要学习tensorflow框架下数据增强方法。
1. 环境设置和数据加载
将数据集分为训练集、验证集和测试集。
# 设置 GPU 显存按需使用
gpus = tf.config.list_physical_devices("GPU")
if gpus:tf.config.experimental.set_memory_growth(gpus[0], True)tf.config.set_visible_devices([gpus[0]], "GPU")# 数据路径和参数设定
data_dir = "./34-data/"
img_height, img_width = 224, 224
batch_size = 32# 加载训练和验证数据集
train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.3,subset="training",seed=12,image_size=(img_height, img_width),batch_size=batch_size)val_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir,validation_split=0.3,subset="validation",seed=12,image_size=(img_height, img_width),batch_size=batch_size)# 分割验证集为验证集和测试集
val_batches = tf.data.experimental.cardinality(val_ds)
test_ds = val_ds.take(val_batches // 5)
val_ds = val_ds.skip(val_batches // 5)print(f'Number of validation batches: {tf.data.experimental.cardinality(val_ds)}')
print(f'Number of test batches: {tf.data.experimental.cardinality(test_ds)}')
2. 数据增强
数据增强 是提高模型泛化能力的重要技术。通过随机改变图像的属性,如水平/垂直翻转、旋转等,模型可以学会更好地处理不同的图像变体。
在 Keras 中,我们可以使用 tf.keras.layers.RandomFlip
和 tf.keras.layers.RandomRotation
等层来实现数据增强。在这里,我们对图像进行随机水平和垂直翻转,并进行一定程度的旋转:
# 定义数据增强操作
data_augmentation = tf.keras.Sequential([tf.keras.layers.RandomFlip("horizontal_and_vertical"),tf.keras.layers.RandomRotation(0.2),
])# 数据增强效果展示
import matplotlib.pyplot as pltplt.figure(figsize=(8, 8))
for images, labels in train_ds.take(1):image = tf.expand_dims(images[0], 0)for i in range(9):augmented_image = data_augmentation(image)ax = plt.subplot(3, 3, i + 1)plt.imshow(augmented_image[0])plt.axis("off")
plt.show()
在上面的代码中,data_augmentation
是一个 Keras 序列模型,它会对输入的图像进行随机的翻转和旋转。通过上面的可视化代码,我们可以直观地看到数据增强后的图像效果。
3. 数据预处理和模型训练
数据增强可以集成到训练管道中。在训练集上,我们通过 map
函数应用数据增强,同时将图像归一化为 [0, 1] 区间以便模型训练。
AUTOTUNE = tf.data.AUTOTUNEdef preprocess_image(image, label):image = image / 255.0 # 图像归一化return image, label# 预处理和缓存数据集
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
test_ds = test_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
test_ds = test_ds.cache().prefetch(buffer_size=AUTOTUNE)# 将数据增强应用到训练集
def prepare(ds):ds = ds.map(lambda x, y: (data_augmentation(x, training=True), y), num_parallel_calls=AUTOTUNE)return dstrain_ds = prepare(train_ds)
在 prepare
函数中,我们将数据增强操作应用于训练集,并通过 AUTOTUNE
进行多线程处理,加快数据读取速度。
4. 模型搭建和训练
定义了一个简单的卷积神经网络,包含三层卷积层,最后通过全连接层进行分类。模型使用 Adam 优化器,并通过交叉熵损失函数来优化。
model = tf.keras.Sequential([layers.Conv2D(16, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(32, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(64, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Flatten(),layers.Dense(128, activation='relu'),layers.Dense(len(class_names))
])model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# 训练模型
epochs = 20
history = model.fit(train_ds,validation_data=val_ds,epochs=epochs
)
结果如下:
5. 模型评估
在模型训练完成后,我们可以通过测试集评估模型的表现。
# 评估模型
loss, acc = model.evaluate(test_ds)
print(f"Test Accuracy: {acc}")
Accuracy 0.90625
6. 总结
这周学习了如何使用 TensorFlow 和 Keras 实现一个包含数据增强的图像分类任务。数据增强在提升模型泛化能力上有显著作用,尤其在训练样本有限的情况下,随机翻转、旋转等操作能够帮助模型学习到更多的图像变体,从而在测试集上取得更好的表现。