發表文章

VGG16遷移學習(他山之石，可以攻玉)_分辨人和馬_使用 TensorFlow Keras 實作 VGG16 遷移學習_part2.用VGG16預訓練模型來訓練自己的圖片集

-
圖片
這邊補安裝pyyaml套件，後續可用來將神經網路模型保存到.yaml檔案中。 可用pip install pyyaml 來裝 [更新]pyyaml後來也用不到了，除非你用tensorflow早期版本。 TensorFlow 2.5之前版本都還能夠用model.to_yaml()將模型結構存出來，到後期就被移除了。 記得在欲執行的py檔案相對路徑層級創建models目錄 程式碼1.利用VGG16 遷移學習模型完成 5 個 Epoch 訓練 import os from pathlib import Path import json import yaml #os.environ['TF_CPP_MIN_LOG_LEVEL']='2' # 在匯入 TensorFlow 前設定 os . environ [ "CUDA_VISIBLE_DEVICES" ] = "-1" # 除錯期間保留警告訊息 os . environ [ "TF_CPP_MIN_LOG_LEVEL" ] = "1" import tensorflow as tf print ( "TensorFlow:" , tf . __version__ ) print ( "Available GPU:" , tf . config . list_physical_devices ( "GPU" )) def transfer_model ( input_shape = ( 224 , 224 , 3 )): vgg16 = tf . keras . applications . vgg16 . VGG16 ( include_top = False , # 不包含頂層 weights = 'imagenet' , input_shape = input_shape ) for layer in vgg16 . layers : layer . traina...
張貼留言
閱讀完整內容

VGG16遷移學習(他山之石，可以攻玉)_分辨人和馬_使用 TensorFlow Keras 實作 VGG16 遷移學習_part1.圖檔格式轉換前處理&生成自訂數據集

-
圖片
絕大多數教科書或是網上課程、教學文章，都會是拿內建的toy dataset(鳶尾花、手寫字...等)在做CNN訓練分類。不過這十分不接地氣，真實場景是我們會有自己前處理過的圖像資料集，要怎麼把它封裝成tensorflow可以讀取的dataset格式，是我們需掌握的基礎。 這邊就拿這個二元分類的資料集做一個示範筆記 Horses Or Humans Dataset https://www.kaggle.com/datasets/sanikamal/horses-or-humans-dataset 資料集包含 500 張以不同姿勢、出現在不同地點的各類馬匹物種渲染影像，另包含 527 張以不同姿勢、出現在不同地點的人物渲染影像。 資料集特別納入男性與女性，以及亞洲人、黑人、南亞裔與白人。驗證集則新增 6 位性別、族裔與姿勢各異的人物，以確保資料涵蓋範圍廣泛。 人、馬影像大小是300x300x4(RGBA四個通道)的png圖檔 遷移學習（Transfer Learning）是一種機器學習技術，將你在「某個任務或領域」學到的知識和權重，拿來應用到「另一個相關但不同」的新任務上。 「他山之石，可以攻玉。」 這名句最早出自《詩經·小雅·鶴鳴》，意思是別的山上的石頭，能夠用來打磨玉器或用來製成加工玉石的磨石。既比喻別國的賢才可為本國效力，也比喻能幫助自己改正缺點的人或意見。遷移學習正是如此，透過借用其他模型已經學習到的知識，幫助新模型更有效率地完成新的分類任務。 以下是VGG16原本的神經網路架構，整個神經網路都只使用了1x1、3x3的卷積核。 採用了16層(分別為13個卷積層和3個全連接層)。 在VGG中，所有使用的卷積、池化的配置都統一固定。 卷積配置：3×3的卷積核，填滿1，stride:1 池化配置：2×2的池化窗口，stride:2，池化方式:max  。 所有隱藏層的激活函數都採用ReLU函數。 https://datahacker.rs/deep-learning-vgg-16-vs-vgg-19/ 3x224x224影像輸入 Convolutional Blocks可分為C1、C2、C3、C4、C5 Fully Connected Layers可分為F6、F7、F8。 C1. conv(3,64)->ReLu->conv(64,64)->...
張貼留言
閱讀完整內容