在图像分类领域内,其中的大杀器莫过于Resnet50了,这个残差神经网络当时被发明出来之后,顿时毁天灭敌,其余任何模型都无法想与之比拟。我们下面用Tensorflow来调用这个模型,让我们的神经网络对Fashion-mnist数据集进行图像分类.由于在这个数据集当中图像的尺寸是28*28*1的,如果想要使用resnet那就需要把28*28*1的灰度图变为224*224*3的RGB图,我们使用OpenCV库可以很容易将图像进行resize。

首先我们进行导包:

import os,sys
import numpy as np
import scipy
from scipy import ndimage
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions
from PIL import Image
import random

加载数据集:

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

导入opencv并重命名:

import cv2 as cv

读取数据集当中的500张图片(注意不要使用所有的图片进行读取和resize,不然电脑的内存将会不存,因为resize之后每一张图片的尺寸大大增加,60000张图片所需要的电脑内存大致需要8.1Gb,使用CPU进行训练的话,你的内存条也就需要目前空余的至少在8gb以上,后期加上resnet的权重参数那更是几个亿,电脑的运行内存是不可能这么大的,毕竟只要我们的神经网络好,几个epoch就可以得到很好的验证集准确度了,没有必要追求数量),读取和同时进行resize为224*224*3的代码如下:

train_data = []
for img in train_image[:500]:
    resized_img = cv.resize(img, (224, 224))
    resized_img = cv.cvtColor(resized_img, cv.COLOR_GRAY2BGR)
    train_data.append(resized_img)

我们最后得到了一个三维的列表数据,但是这并不是一个ndarray,也就是numpy当中的数组对象,还无法进行训练,我们需要将其转化为numpy当中的数组,代码如下:

train_data=np.array(train_data)
train_data.shape

输出目前的shape为:

(500, 224, 224, 3)

将数据进行归一化,加速卷积神经网络的运算:

train_data=train_data/255

导入Resnet50模型,同时编译模型:

model = ResNet50(
    weights=None,
    classes=10
)

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

开始拟合模型:

model.fit(train_data,train_label[0:500], epochs=10, batch_size=6)

输出:

Train on 500 samples
Epoch 1/10
500/500 [==============================] - 256s 511ms/sample - loss: 1.5721 - accuracy: 0.4260
Epoch 2/10
500/500 [==============================] - 255s 511ms/sample - loss: 1.3282 - accuracy: 0.5600
Epoch 3/10
500/500 [==============================] - 260s 519ms/sample - loss: 1.1301 - accuracy: 0.6180
Epoch 4/10
500/500 [==============================] - 259s 519ms/sample - loss: 1.1403 - accuracy: 0.6080
Epoch 5/10
500/500 [==============================] - 261s 521ms/sample - loss: 1.0098 - accuracy: 0.6400
Epoch 6/10
500/500 [==============================] - 264s 528ms/sample - loss: 0.9646 - accuracy: 0.6860
Epoch 7/10
500/500 [==============================] - 268s 535ms/sample - loss: 0.8954 - accuracy: 0.6940
Epoch 8/10
500/500 [==============================] - 269s 539ms/sample - loss: 0.7415 - accuracy: 0.7540
Epoch 9/10
500/500 [==============================] - 274s 549ms/sample - loss: 0.7001 - accuracy: 0.7880
Epoch 10/10
500/500 [=============================] - 275s 551ms/sample - loss: 0.5996 - accuracy: 0.8020

从中可以发现只需要500张图片,进行十次epoch,训练集的准确度已经达到百分之八十。

这样我们就使用tensorflow2.0快速实现了一个Resnet50的神经网络了!