技术标签: 深度学习 EfficientNet 图像分类迁移学习 分类网络
EfficientNet系列博客与ResNet迁移学习的任务一样,均是进行二分类的迁移学习,唯一差别在于网络结构的不同。其它相关的内容,参考下面链接:ResNet迁移学习(一)—— 主程序结构,部分内容如下图所示:
下面我们主要介绍train.py
的程序框架和功能模块接口。程序框架是构建工程的首要步骤,而功能模块是完善框架的内容。这样在构建工程的时候,思路会比较清晰,不至于无从下手。
tf.set_random_seed(-1) # ****************************************************************** # # 1. Python多线程数据读取与数据预处理 # # ****************************************************************** # train_queue = train_set_queue() valid_queue = valid_set_queue()
# ****************************************************************** # # 2. 构建静态图 # # ****************************************************************** # model = Model() print('variables: ', model.first_stage_trainable_var_list)
第一步:如果要加载预训练模型,则需要首先恢复其相应的权重
# ****************************************************************** # # 3. 恢复权重, 开启会话, 执行静态图 # # ****************************************************************** # init = tf.global_variables_initializer() config_proto = tf.ConfigProto() config_proto.gpu_options.allow_growth = True with tf.Session(config=config_proto) as sess: sess.run(init) try: print('=> Restoring weights from: %s ... ' % model.pre_trained_weight) model.loader.restore(sess, model.pre_trained_weight) print('成功加载模型') except: print('Load Pretrained Weight Failed !!!\n') print('=> %s does not exist !!!' % model.pre_trained_weight) print('=> Now it starts to train from scratch ...') cfg.Train.First_Stage_Epochs = 0 # 重头开始训练网络, 不需要预训练权重 else: print('\nLoad Model Success !!!\n')
第二步:设置训练过程中的保存文件目录,将要收集的变量保存文件,可以用Tensorboard查看
start_epoch = 0 # 训练日志保存目录 save_path = cfg.train.log if os.path.exists(save_path): print('目录非空, 清空目录') shutil.rmtree(save_path) train_writer = tf.summary.FileWriter(save_path + 'train', sess.graph) valid_writer = tf.summary.FileWriter(save_path + 'valid')
第三步:根据设置的Epoch,循环训练网络
for epoch in range(start_epoch + 1, 1 + model.first_stage_epoch + model.second_stage_epoch): if epoch < model.first_stage_epoch: train_op = model.train_op_with_frozen_variables else: train_op = model.train_op_with_all_variables # Train Process for step in range(0, cfg.train.train_num // model.batch_size): # 每次从队列中取出一个batch的数据 _, _, image, label = train_queue.get() # 统计每个batch中标签的二分类分布情况 # result = Counter(label) train_params = [train_op, model.loss, model.accuracy, model.merged, model.learn_rate, model.global_step] train_dict = { model.inputs: image, model.label_c: label, model.trainable: True} _, train_loss, train_accuracy, merge_train, lr_, global_step_ = sess.run(train_params, feed_dict=train_dict) train_writer.add_summary(merge_train, global_step_) print('iter:%2d/%d || train loss:%.4f || train accuracy:%.4f || lr:%g ' % (step, epoch, train_loss, train_accuracy, lr_)) # print('阴性样本:%d || 阳性样本:%d ' % (result[0], result[1])) # Valid Process valid = [] label_ = [] predict_ = [] for valid_step in range(cfg.train.valid_num // model.batch_size): name, _, valid_image, valid_label = valid_queue.get() valid_params = [model.accuracy, model.loss, model.merged, tf.argmax(model.logits, 1), model.label_c] valid_dict = { model.inputs: valid_image, model.label_c: valid_label, model.trainable: False} valid_accuracy, valid_loss, merge_valid, predict, label_c = sess.run(valid_params, feed_dict=valid_dict) valid_writer.add_summary(merge_valid, global_step_) print('==================================================================================') print('step=%2d/%d || valid accuracy=%g || loss=%.4f ' % (valid_step, epoch, valid_accuracy, valid_loss)) print('==================================================================================') print('标签值:', label_c) print('预测值:', predict) label_.append(label_c) predict_.append(predict) valid.append(valid_accuracy) # 计算所有验证集的混淆矩阵 print('mean valid accuracy: ', np.mean(valid)) confusion_matrix = tf.confusion_matrix(np.hstack(label_), np.hstack(predict_), num_classes=2) confusion_matrix_ = sess.run(confusion_matrix) TN = confusion_matrix_[0][0] FP = confusion_matrix_[0][1] FN = confusion_matrix_[1][0] TP = confusion_matrix_[1][1] acc = (TP + TN) / (TP + TN + FP + FN) sensitive = TP / (TP + FN) specify = TN / (TN + FP) print('混淆矩阵\n', confusion_matrix_) print('准确度, 灵敏度, 特异度: ', acc, sensitive, specify) # 保存每个epoch的模型 if epoch >= 79: exit() model.saver.save(sess, cfg.train.save_model, global_step=epoch)
from Model import *
from DataLoader import *
from config import cfg
from collections import Counter
import shutil
os.environ['CUDA_VISIBLE_DEVICES'] = '1'
def train():
tf.set_random_seed(-1)
# ****************************************************************** #
# 1. Python多线程数据读取与数据预处理 #
# ****************************************************************** #
train_queue = train_set_queue()
valid_queue = valid_set_queue()
# for i in range(1000000):
# name1, _, image, label = train_queue.get()
# name2, _, valid_image, valid_label = valid_queue.get()
# print(name1)
# print(name2)
# print(len(name1))
# print(len(name2))
# print('==============================================')
# ****************************************************************** #
# 2. 构建静态图 #
# ****************************************************************** #
model = Model()
print('variables: ', model.first_stage_trainable_var_list)
# ****************************************************************** #
# 3. 恢复权重, 开启会话, 执行静态图 #
# ****************************************************************** #
init = tf.global_variables_initializer()
config_proto = tf.ConfigProto()
config_proto.gpu_options.allow_growth = True
with tf.Session(config=config_proto) as sess:
sess.run(init)
try:
print('=> Restoring weights from: %s ... ' % model.pre_trained_weight)
model.loader.restore(sess, model.pre_trained_weight)
print('成功加载模型')
except:
print('Load Pretrained Weight Failed !!!\n')
print('=> %s does not exist !!!' % model.pre_trained_weight)
print('=> Now it starts to train from scratch ...')
cfg.Train.First_Stage_Epochs = 0 # 重头开始训练网络, 不需要预训练权重
else:
print('\nLoad Model Success !!!\n')
start_epoch = 0
# 训练日志保存目录
save_path = cfg.train.log
if os.path.exists(save_path):
print('目录非空, 清空目录')
shutil.rmtree(save_path)
train_writer = tf.summary.FileWriter(save_path + 'train', sess.graph)
valid_writer = tf.summary.FileWriter(save_path + 'valid')
for epoch in range(start_epoch + 1, 1 + model.first_stage_epoch + model.second_stage_epoch):
if epoch < model.first_stage_epoch:
train_op = model.train_op_with_frozen_variables
else:
train_op = model.train_op_with_all_variables
# Train Process
for step in range(0, cfg.train.train_num // model.batch_size):
# 每次从队列中取出一个batch的数据
_, _, image, label = train_queue.get()
# 统计每个batch中标签的二分类分布情况
# result = Counter(label)
train_params = [train_op,
model.loss,
model.accuracy,
model.merged,
model.learn_rate,
model.global_step]
train_dict = {
model.inputs: image,
model.label_c: label,
model.trainable: True}
_, train_loss, train_accuracy, merge_train, lr_, global_step_ = sess.run(train_params,
feed_dict=train_dict)
train_writer.add_summary(merge_train, global_step_)
print('iter:%2d/%d || train loss:%.4f || train accuracy:%.4f || lr:%g ' % (step,
epoch,
train_loss,
train_accuracy,
lr_))
# print('阴性样本:%d || 阳性样本:%d ' % (result[0], result[1]))
# Valid Process
valid = []
label_ = []
predict_ = []
for valid_step in range(cfg.train.valid_num // model.batch_size):
name, _, valid_image, valid_label = valid_queue.get()
valid_params = [model.accuracy,
model.loss,
model.merged,
tf.argmax(model.logits, 1),
model.label_c]
valid_dict = {
model.inputs: valid_image,
model.label_c: valid_label,
model.trainable: False}
valid_accuracy, valid_loss, merge_valid, predict, label_c = sess.run(valid_params, feed_dict=valid_dict)
valid_writer.add_summary(merge_valid, global_step_)
print('==================================================================================')
print('step=%2d/%d || valid accuracy=%g || loss=%.4f ' % (valid_step,
epoch,
valid_accuracy,
valid_loss))
print('==================================================================================')
print('标签值:', label_c)
print('预测值:', predict)
label_.append(label_c)
predict_.append(predict)
valid.append(valid_accuracy)
# 计算所有验证集的混淆矩阵
print('mean valid accuracy: ', np.mean(valid))
confusion_matrix = tf.confusion_matrix(np.hstack(label_), np.hstack(predict_), num_classes=2)
confusion_matrix_ = sess.run(confusion_matrix)
TN = confusion_matrix_[0][0]
FP = confusion_matrix_[0][1]
FN = confusion_matrix_[1][0]
TP = confusion_matrix_[1][1]
acc = (TP + TN) / (TP + TN + FP + FN)
sensitive = TP / (TP + FN)
specify = TN / (TN + FP)
print('混淆矩阵\n', confusion_matrix_)
print('准确度, 灵敏度, 特异度: ', acc, sensitive, specify)
# 保存每个epoch的模型
if epoch >= 79:
exit()
model.saver.save(sess, cfg.train.save_model, global_step=epoch)
if __name__ == '__main__':
train()
文章浏览阅读101次。4.class可以有⽆参的构造函数,struct不可以,必须是有参的构造函数,⽽且在有参的构造函数必须初始。2.Struct适⽤于作为经常使⽤的⼀些数据组合成的新类型,表示诸如点、矩形等主要⽤来存储数据的轻量。1.Class⽐较适合⼤的和复杂的数据,表现抽象和多级别的对象层次时。2.class允许继承、被继承,struct不允许,只能继承接⼝。3.Struct有性能优势,Class有⾯向对象的扩展优势。3.class可以初始化变量,struct不可以。1.class是引⽤类型,struct是值类型。
文章浏览阅读586次。想实现的功能是点击顶部按钮之后按关键字进行搜索,已经可以从服务器收到反馈的json信息,但从json信息的解析开始就会闪退,加载listview也不知道行不行public abstract class loadlistview{public ListView plv;public String js;public int listlength;public int listvisit;public..._rton转json为什么会闪退
文章浏览阅读219次。如何使用wordnet词典,得到英文句子的同义句_get_synonyms wordnet
文章浏览阅读521次。系统项目报表导出 导出任务队列表 + 定时扫描 + 多线程_积木报表 多线程
文章浏览阅读1.1k次,点赞9次,收藏9次。使用AJAX技术的好处之一是它能够提供更好的用户体验,因为它允许在不重新加载整个页面的情况下更新网页的某一部分。另外,AJAX还使得开发人员能够创建更复杂、更动态的Web应用程序,因为它们可以在后台与服务器进行通信,而不需要打断用户的浏览体验。在Web开发中,AJAX(Asynchronous JavaScript and XML)是一种常用的技术,用于在不重新加载整个页面的情况下,从服务器获取数据并更新网页的某一部分。使用AJAX,你可以创建异步请求,从而提供更快的响应和更好的用户体验。_ajax 获取http数据
文章浏览阅读2.8k次。登录退出、修改密码、关机重启_字符终端
文章浏览阅读3.8k次,点赞3次,收藏51次。前段时间看到一位发烧友制作的超声波雷达扫描神器,用到了Arduino和Processing,可惜啊,我不会Processing更看不懂人家的程序,咋办呢?嘿嘿,所以我就换了个思路解决,因为我会一点Python啊,那就动手吧!在做这个案例之前先要搞明白一个问题:怎么将Arduino通过超声波检测到的距离反馈到Python端?这个嘛,我首先想到了串行通信接口。没错!就是串口。只要Arduino将数据发送给COM口,然后Python能从COM口读取到这个数据就可以啦!我先写了一个测试程序试了一下,OK!搞定_超声波扫描建模 python库
文章浏览阅读4.2k次。端—端加密指信息由发送端自动加密,并且由TCP/IP进行数据包封装,然后作为不可阅读和不可识别的数据穿过互联网,当这些信息到达目的地,将被自动重组、解密,而成为可读的数据。不可逆加密算法的特征是加密过程中不需要使用密钥,输入明文后由系统直接经过加密算法处理成密文,这种加密后的数据是无法被解密的,只有重新输入明文,并再次经过同样不可逆的加密算法处理,得到相同的加密密文并被系统重新识别后,才能真正解密。2.使用时,加密者查找明文字母表中需要加密的消息中的每一个字母所在位置,并且写下密文字母表中对应的字母。_凯撒加密
文章浏览阅读5.7k次。CIP报文解析常用到的几个字段:普通类型服务类型:[0x00], CIP对象:[0x02 Message Router], ioi segments:[XX]PCCC(带cmd和func)服务类型:[0x00], CIP对象:[0x02 Message Router], cmd:[0x101], fnc:[0x101]..._cip协议embedded_service_error
文章浏览阅读2.4k次,点赞9次,收藏13次。有时候我们在MFC项目开发过程中,需要用到一些微软已经提供的功能,如VC++使用EXCEL功能,这时候我们就能直接通过VS2019到如EXCEL.EXE方式,生成对应的OLE头文件,然后直接使用功能,那么,我们上篇文章中介绍了vs2017及以前的版本如何来添加。但由于微软某些方面考虑,这种方式已被放弃。从上图中可以看出,这一功能,在从vs2017版本15.9开始,后续版本已经删除了此功能。那么我们如果仍需要此功能,我们如何在新版本中添加呢。_vs添加mfc库
文章浏览阅读785次。用ac3编码,执行编码函数时报错入如下:[ac3 @ 0x7fed7800f200] frame_size (1536) was not respected for anon-last frame (avcodec_encode_audio2)用ac3编码时每次送入编码器的音频采样数应该是1536个采样,不然就会报上述错误。这个数字并非刻意固定,而是跟ac3内部的编码算法原理相关。全网找不到,国内音视频之路还有很长的路,音视频人一起加油吧~......_frame_size (1024) was not respected for a non-last frame
文章浏览阅读230次,点赞2次,收藏2次。创建Android应用程序一个项目里面可以有很多模块,而每一个模块就对应了一个应用程序。项目结构介绍_在安卓移动应用开发中要在活动类文件中声迷你一个复选框变量