一、前期作業

本文將通過對人眼狀態的識別達到檢測注意力的目的 ? 新增混淆矩陣模塊，

🚀 我的環境：

• 語言環境：Python3.6.5
• 編譯器：jupyter notebook
• 深度學習環境：TensorFlow2.4.1
• 資料鏈接: https://pan.baidu.com/s/1kIk75W8vLC1TkjKaA0odLw 提取碼：nolr

🚀 深度學習新人必看：

1. 小白入門深度學習 | 第一篇：配置深度學習環境
2. 小白入門深度學習 | 第二篇：編譯器的使用-Jupyter Notebook

🚀 往期精彩：

1. 深度學習100例-卷積神經網路（CNN）實作mnist手寫數字識別 | 第1天
2. 深度學習100例-卷積神經網路（CNN）彩色圖片分類 | 第2天
3. 深度學習100例-卷積神經網路（CNN）服裝影像分類 | 第3天
4. 深度學習100例-卷積神經網路（CNN）花朵識別 | 第4天
5. 深度學習100例-卷積神經網路（CNN）天氣識別 | 第5天
6. 深度學習100例-卷積神經網路（VGG-16）識別海賊王草帽一伙 | 第6天
7. 深度學習100例-卷積神經網路（VGG-19）識別靈籠中的人物 | 第7天
8. 深度學習100例-卷積神經網路（ResNet-50）鳥類識別 | 第8天
9. 深度學習100例-回圈神經網路（RNN）實作股票預測 | 第9天
10. 深度學習100例-回圈神經網路（LSTM）實作股票預測 | 第10天
11. 深度學習100例-卷積神經網路（AlexNet）手把手教學 | 第11天
12. 深度學習100例-卷積神經網路（CNN）識別驗證碼 | 第12天
13. 深度學習100例-卷積神經網路（Inception V3）識別手語 | 第13天
14. 深度學習100例-卷積神經網路（Inception-ResNet-v2）識別交通標志 | 第14天
15. 深度學習100例-卷積神經網路（CNN）實作車牌識別 | 第15天
16. 深度學習100例-卷積神經網路（CNN）識別神奇寶貝小智一伙 | 第16天

🚀 來自專欄：《深度學習100例》

1. 設定GPU

如果使用的是CPU可以注釋掉這部分的代碼，

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  #設定GPU顯存用量按需使用
    tf.config.set_visible_devices([gpus[0]],"GPU")

# 列印顯卡資訊，確認GPU可用
print(gpus)

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

2. 匯入資料

import matplotlib.pyplot as plt
# 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

import os,PIL

# 設定隨機種子盡可能使結果可以重現
import numpy as np
np.random.seed(1)

# 設定隨機種子盡可能使結果可以重現
import tensorflow as tf
tf.random.set_seed(1)

import pathlib

data_dir = "D:/jupyter notebook/DL-100-days/datasets/017_Eye_dataset"

data_dir = pathlib.Path(data_dir)

3. 查看資料

image_count = len(list(data_dir.glob('*/*')))

print("圖片總數為：",image_count)

圖片總數為： 4307

二、資料預處理

1. 加載資料

使用image_dataset_from_directory方法將磁盤中的資料加載到tf.data.Dataset中

batch_size = 64
img_height = 224
img_width = 224

TensorFlow版本是2.2.0的同學可能會遇到module 'tensorflow.keras.preprocessing' has no attribute 'image_dataset_from_directory'的報錯，升級一下TensorFlow就OK了，

"""
關于image_dataset_from_directory()的詳細介紹可以參考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 4307 files belonging to 4 classes.
Using 3446 files for training.

"""
關于image_dataset_from_directory()的詳細介紹可以參考文章：https://mtyjkh.blog.csdn.net/article/details/117018789
"""
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=12,
    image_size=(img_height, img_width),
    batch_size=batch_size)

Found 4307 files belonging to 4 classes.
Using 861 files for validation.

我們可以通過class_names輸出資料集的標簽，標簽將按字母順序對應于目錄名稱，

class_names = train_ds.class_names
print(class_names)

['close_look', 'forward_look', 'left_look', 'right_look']

2. 可視化資料

plt.figure(figsize=(10, 5))  # 圖形的寬為10高為5
plt.suptitle("資料展示")

for images, labels in train_ds.take(1):
    for i in range(8):
        
        ax = plt.subplot(2, 4, i + 1)  
        
        ax.patch.set_facecolor('yellow')
        
        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])
        
        plt.axis("off")

3. 再次檢查資料

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

(64, 224, 224, 3)
(64,)

• Image_batch是形狀的張量（8, 224, 224, 3)，這是一批形狀240x240x3的8張圖片（最后一維指的是彩色通道RGB），
• Label_batch是形狀（8，）的張量，這些標簽對應8張圖片

4. 配置資料集

• shuffle() ： 打亂資料，關于此函式的詳細介紹可以參考：https://zhuanlan.zhihu.com/p/42417456
• prefetch() ：預取資料，加速運行，其詳細介紹可以參考我前兩篇文章，里面都有講解，
• cache() ：將資料集快取到記憶體當中，加速運行

AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds   = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

三、呼叫官方網路模型

model = tf.keras.applications.VGG16()
# 列印模型資訊
model.summary()

Model: "vgg16"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 224, 224, 3)]     0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________

......   
_________________________________________________________________
flatten (Flatten)            (None, 25088)             0         
_________________________________________________________________
fc1 (Dense)                  (None, 4096)              102764544 
_________________________________________________________________
fc2 (Dense)                  (None, 4096)              16781312  
_________________________________________________________________
predictions (Dense)          (None, 1000)              4097000   
=================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
_________________________________________________________________

四、設定動態學習率

這里先羅列一下學習率大與學習率小的優缺點，

• 學習率大
  • 優點：1、加快學習速率，2、有助于跳出區域最優值，
  • 缺點：1、導致模型訓練不收斂，2、單單使用大學習率容易導致模型不精確，
• 學習率小
  • 優點：1、有助于模型收斂、模型細化，2、提高模型精度，
  • 缺點：1、很難跳出區域最優值，2、收斂緩慢，

注意：這里設定的動態學習率為：指數衰減型（ExponentialDecay），在每一個epoch開始前，學習率（learning_rate）都將會重置為初始學習率（initial_learning_rate），然后再重新開始衰減，計算公式如下：

learning_rate = initial_learning_rate * decay_rate ^ (step / decay_steps)

# 設定初始學習率
initial_learning_rate = 1e-4

lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
        initial_learning_rate, 
        decay_steps=20,      # 敲黑板！！！這里是指 steps，不是指epochs
        decay_rate=0.96,     # lr經過一次衰減就會變成 decay_rate*lr
        staircase=True)

# 將指數衰減學習率送入優化器
optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

五、編譯

在準備對模型進行訓練之前，還需要再對其進行一些設定，以下內容是在模型的編譯步驟中添加的：

• 損失函式（loss）：用于衡量模型在訓練期間的準確率，
• 優化器（optimizer）：決定模型如何根據其看到的資料和自身的損失函式進行更新，
• 評價函式（metrics）：用于監控訓練和測驗步驟，以下示例使用了準確率，即被正確分類的影像的比率，

model.compile(optimizer=optimizer,
              loss     ='sparse_categorical_crossentropy',
              metrics  =['accuracy'])

六、訓練模型

epochs = 10

history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs
)

Epoch 1/10
54/54 [==============================] - 29s 377ms/step - loss: 1.0835 - accuracy: 0.6709 - val_loss: 0.6919 - val_accuracy: 0.7933
Epoch 2/10
54/54 [==============================] - 14s 268ms/step - loss: 0.2332 - accuracy: 0.9248 - val_loss: 0.1173 - val_accuracy: 0.9628
Epoch 3/10
54/54 [==============================] - 14s 259ms/step - loss: 0.1072 - accuracy: 0.9634 - val_loss: 0.0771 - val_accuracy: 0.9779
Epoch 4/10
54/54 [==============================] - 14s 256ms/step - loss: 0.0663 - accuracy: 0.9794 - val_loss: 0.0566 - val_accuracy: 0.9826
Epoch 5/10
54/54 [==============================] - 14s 258ms/step - loss: 0.0480 - accuracy: 0.9855 - val_loss: 0.0609 - val_accuracy: 0.9768
Epoch 6/10
54/54 [==============================] - 14s 258ms/step - loss: 0.0431 - accuracy: 0.9852 - val_loss: 0.0597 - val_accuracy: 0.9768
Epoch 7/10
54/54 [==============================] - 14s 256ms/step - loss: 0.0289 - accuracy: 0.9910 - val_loss: 0.0539 - val_accuracy: 0.9837
Epoch 8/10
54/54 [==============================] - 14s 259ms/step - loss: 0.0221 - accuracy: 0.9927 - val_loss: 0.0626 - val_accuracy: 0.9744
Epoch 9/10
54/54 [==============================] - 14s 257ms/step - loss: 0.0281 - accuracy: 0.9910 - val_loss: 0.0605 - val_accuracy: 0.9814
Epoch 10/10
54/54 [==============================] - 14s 257ms/step - loss: 0.0203 - accuracy: 0.9936 - val_loss: 0.0663 - val_accuracy: 0.9791

七、模型評估

1. Accuracy與Loss圖

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

2. 混淆矩陣

Seaborn 是一個畫圖庫，它基于 Matplotlib 核心庫進行了更高階的 API 封裝，可以讓你輕松地畫出更漂亮的圖形，Seaborn 的漂亮主要體現在配色更加舒服、以及圖形元素的樣式更加細膩，

from sklearn.metrics import confusion_matrix
import seaborn as sns
import pandas as pd

# 定義一個繪制混淆矩陣圖的函式
def plot_cm(labels, predictions):
    
    # 生成混淆矩陣
    conf_numpy = confusion_matrix(labels, predictions)
    # 將矩陣轉化為 DataFrame
    conf_df = pd.DataFrame(conf_numpy, index=class_names ,columns=class_names)  
    
    plt.figure(figsize=(8,7))
    
    sns.heatmap(conf_df, annot=True, fmt="d", cmap="BuPu")
    
    plt.title('混淆矩陣',fontsize=15)
    plt.ylabel('真實值',fontsize=14)
    plt.xlabel('預測值',fontsize=14)

val_pre   = []
val_label = []

for images, labels in val_ds:#這里可以取部分驗證資料（.take(1)）生成混淆矩陣
    for image, label in zip(images, labels):
        # 需要給圖片增加一個維度
        img_array = tf.expand_dims(image, 0) 
        # 使用模型預測圖片中的人物
        prediction = model.predict(img_array)

        val_pre.append(class_names[np.argmax(prediction)])
        val_label.append(class_names[label])

plot_cm(val_label, val_pre)

八、保存and加載模型

這是最簡單的模型保存與加載方法哈

# 保存模型
model.save('model/17_model.h5')

# 加載模型
new_model = tf.keras.models.load_model('model/17_model.h5')

九、預測

# 采用加載的模型（new_model）來看預測結果

plt.figure(figsize=(10, 5))  # 圖形的寬為10高為5
plt.suptitle("預測結果展示")

for images, labels in val_ds.take(1):
    for i in range(8):
        ax = plt.subplot(2, 4, i + 1)  
        
        # 顯示圖片
        plt.imshow(images[i].numpy().astype("uint8"))
        
        # 需要給圖片增加一個維度
        img_array = tf.expand_dims(images[i], 0) 
        
        # 使用模型預測圖片中的人物
        predictions = new_model.predict(img_array)
        plt.title(class_names[np.argmax(predictions)])

        plt.axis("off")

往期精彩

1. 深度學習100例-卷積神經網路（CNN）實作mnist手寫數字識別 | 第1天
2. 深度學習100例-卷積神經網路（CNN）彩色圖片分類 | 第2天
3. 深度學習100例-卷積神經網路（CNN）服裝影像分類 | 第3天
4. 深度學習100例-卷積神經網路（CNN）花朵識別 | 第4天
5. 深度學習100例-卷積神經網路（CNN）天氣識別 | 第5天
6. 深度學習100例-卷積神經網路（VGG-16）識別海賊王草帽一伙 | 第6天
7. 深度學習100例-卷積神經網路（VGG-19）識別靈籠中的人物 | 第7天
8. 深度學習100例-卷積神經網路（ResNet-50）鳥類識別 | 第8天
9. 深度學習100例-回圈神經網路（RNN）實作股票預測 | 第9天
10. 深度學習100例-回圈神經網路（LSTM）實作股票預測 | 第10天
11. 深度學習100例-卷積神經網路（AlexNet）手把手教學 | 第11天
12. 深度學習100例-卷積神經網路（CNN）識別驗證碼 | 第12天
13. 深度學習100例-卷積神經網路（Inception V3）識別手語 | 第13天
14. 深度學習100例-卷積神經網路（Inception-ResNet-v2）識別交通標志 | 第14天
15. 深度學習100例-卷積神經網路（CNN）實作車牌識別 | 第15天
16. 深度學習100例-卷積神經網路（CNN）識別神奇寶貝小智一伙 | 第16天

🚀 來自專欄：《深度學習100例》

未完～

持續更新歡迎 點贊👍、收藏?、關注👀

點贊👍：點贊給我持續更新的動力
收藏??：收藏后你能夠隨時找到文章
關注👀：關注我第一時間接收最新文章