Benützer:
Modell vgg16
Beschreibung 
Das Modell vgg16 ist auf die Bildanalyse spezialisiert und bei Keras erhältlich. Es wird mit keras.applications in tensorflow (tf) geladen:
import numpy as np import tensorflow as tf from tensorflow import keras from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Activation, Dense, Flatten, BatchNormalization, Conv2D, MaxPool2D # vgg16 Modell laden vgg16_model = tf.keras.applications.vgg16.VGG16()
ID:(13759, 0)
Formularmodell
Beschreibung
Bevor Sie mit dem Trainieren des Modells fortfahren, sollten die Schichten, die nicht trainiert werden sollen, blockiert werden, da sie bereits in der Strukturierung des Modells enthalten waren.
# Modell definieren
vgg_model = Sequential()
# Sperre von 16 Schichten um deren schulung zu verhindern
for layer in vgg16_model.layers[:-1]:
vgg_model.add(layer)
ID:(13760, 0)
Modell anzeigen
Beschreibung
Die Zusammenfassung des Modells kann mit summary angezeigt werden:
# show summary vgg_model.summary()
Es sollte erwähnt werden, dass
- die MaxPooling-Befehle reduzieren die Größe der Bilder von 224 auf 112, 56, 28, 14 und 7
- die Faltungen (Conv2D) dafür erhöhen sie die Dimensionen der Farbpalette von 64 auf 128, 256 und 512
Model: 'sequential' _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= block1_conv1 (Conv2D) (None, 224, 224, 64) 1792 _________________________________________________________________ block1_conv2 (Conv2D) (None, 224, 224, 64) 36928 _________________________________________________________________ block1_pool (MaxPooling2D) (None, 112, 112, 64) 0 _________________________________________________________________ block2_conv1 (Conv2D) (None, 112, 112, 128) 73856 _________________________________________________________________ block2_conv2 (Conv2D) (None, 112, 112, 128) 147584 _________________________________________________________________ block2_pool (MaxPooling2D) (None, 56, 56, 128) 0 _________________________________________________________________ block3_conv1 (Conv2D) (None, 56, 56, 256) 295168 _________________________________________________________________ block3_conv2 (Conv2D) (None, 56, 56, 256) 590080 _________________________________________________________________ block3_conv3 (Conv2D) (None, 56, 56, 256) 590080 _________________________________________________________________ block3_pool (MaxPooling2D) (None, 28, 28, 256) 0 _________________________________________________________________ block4_conv1 (Conv2D) (None, 28, 28, 512) 1180160 _________________________________________________________________ block4_conv2 (Conv2D) (None, 28, 28, 512) 2359808 _________________________________________________________________ block4_conv3 (Conv2D) (None, 28, 28, 512) 2359808 _________________________________________________________________ block4_pool (MaxPooling2D) (None, 14, 14, 512) 0 _________________________________________________________________ block5_conv1 (Conv2D) (None, 14, 14, 512) 2359808 _________________________________________________________________ block5_conv2 (Conv2D) (None, 14, 14, 512) 2359808 _________________________________________________________________ block5_conv3 (Conv2D) (None, 14, 14, 512) 2359808 _________________________________________________________________ block5_pool (MaxPooling2D) (None, 7, 7, 512) 0 _________________________________________________________________ flatten (Flatten) (None, 25088) 0 _________________________________________________________________ fc1 (Dense) (None, 4096) 102764544 _________________________________________________________________ fc2 (Dense) (None, 4096) 16781312 ================================================================= Total params: 134,260,544 Trainable params: 134,260,544 Non-trainable params: 0 _________________________________________________________________\
ID:(13761, 0)
Bereits trainierte Ebenen sperren
Beschreibung
Um ein erneutes Training der Schichten des Originalmodells im Lernprozess zu vermeiden, wird der Parameter trainierbar blockiert:
# sperren von schichten um dere training zu verhindern
for layer in vgg_model.layers:
layer.trainable = False
Um die bereits beim Lernen im Originalmodell gewonnenen Informationen nutzen zu können, muss das Lernen dieser Schichten blockiert werden.
ID:(13762, 0)
Letzte Ebene hinzufügen
Beschreibung
Das Modell wird angepasst, indem eine letzte Schicht der Größe der vorherzusagenden Kategorien hinzugefügt wird:
# Schlussschicht beifügen (dicht) vgg_model.add(Dense(units=len(classes),activation='softmax'))
Die units müssen der Anzahl der vorherzusagenden Klassen entsprechen.
ID:(13763, 0)
Modifiziertes Modell anzeigen
Beschreibung
Um zu zeigen, wie das Modell geändert wurde, können Sie wieder die Funktion summary verwenden:
# anzeigen der Strukture des veränderten Modells vgg_model.summary()
In der Liste der Schichten sehen Sie am Ende die dichte Schicht mit den Klassen, die Sie prognostizieren möchten:
Model: 'sequential_1'
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
block1_conv1 (Conv2D) (None, 224, 224, 64) 1792
_________________________________________________________________
block1_conv2 (Conv2D) (None, 224, 224, 64) 36928
_________________________________________________________________
block1_pool (MaxPooling2D) (None, 112, 112, 64) 0
_________________________________________________________________
block2_conv1 (Conv2D) (None, 112, 112, 128) 73856
_________________________________________________________________
block2_conv2 (Conv2D) (None, 112, 112, 128) 147584
_________________________________________________________________
block2_pool (MaxPooling2D) (None, 56, 56, 128) 0
_________________________________________________________________
block3_conv1 (Conv2D) (None, 56, 56, 256) 295168
_________________________________________________________________
block3_conv2 (Conv2D) (None, 56, 56, 256) 590080
_________________________________________________________________
block3_conv3 (Conv2D) (None, 56, 56, 256) 590080
_________________________________________________________________
block3_pool (MaxPooling2D) (None, 28, 28, 256) 0
_________________________________________________________________
block4_conv1 (Conv2D) (None, 28, 28, 512) 1180160
_________________________________________________________________
block4_conv2 (Conv2D) (None, 28, 28, 512) 2359808
_________________________________________________________________
block4_conv3 (Conv2D) (None, 28, 28, 512) 2359808
_________________________________________________________________
block4_pool (MaxPooling2D) (None, 14, 14, 512) 0
_________________________________________________________________
block5_conv1 (Conv2D) (None, 14, 14, 512) 2359808
_________________________________________________________________
block5_conv2 (Conv2D) (None, 14, 14, 512) 2359808
_________________________________________________________________
block5_conv3 (Conv2D) (None, 14, 14, 512) 2359808
_________________________________________________________________
block5_pool (MaxPooling2D) (None, 7, 7, 512) 0
_________________________________________________________________
flatten (Flatten) (None, 25088) 0
_________________________________________________________________
fc1 (Dense) (None, 4096) 102764544
_________________________________________________________________
fc2 (Dense) (None, 4096) 16781312
_________________________________________________________________
dense_1 (Dense) (None, 290) 1188130
=================================================================
Total params: 135,448,674
Trainable params: 1,188,130
Non-trainable params: 134,260,544
_________________________________________________________________
ID:(13764, 0)
Modell erstellen
Beschreibung
Um das Modell zu erstellen, müssen Sie es kompilieren:
# Kompilieren des Modells vgg_model.compile(optimizer=Adam(learning_rate=0.0001), loss='categorical_crossentropy',metrics=['accuracy'])
ID:(13765, 0)
Lernprozess
Beschreibung
# Lernprozess mit dem modifizierten vgg16-Modell vgg_model.fit(x=train_batches, validation_data=validate_batches, epochs=5,verbose=2)
Epoch 1/5
373/373 - 336s - loss: 2.4201 - accuracy: 0.2790 - val_loss: 2.2614 - val_accuracy: 0.3023
Epoch 2/5
373/373 - 340s - loss: 1.7795 - accuracy: 0.4362 - val_loss: 2.0955 - val_accuracy: 0.3639
Epoch 3/5
373/373 - 339s - loss: 1.5116 - accuracy: 0.5241 - val_loss: 2.0217 - val_accuracy: 0.3868
Epoch 4/5
373/373 - 339s - loss: 1.3313 - accuracy: 0.5754 - val_loss: 1.9925 - val_accuracy: 0.3926
Epoch 5/5
373/373 - 341s - loss: 1.1973 - accuracy: 0.6296 - val_loss: 1.9473 - val_accuracy: 0.4169
ID:(13766, 0)