Tensorflow最简单实现ResNet50残差神经网络，进行图像分类

2022-02-28

在图像分类领域，最大的杀手就是它。这个残差神经网络在当时被发明出来后，立马消灭了敌人，任何其他模型都无法与之相比。我们使用下面的代码来调用这个模型，让我们的神经网络在 -mnist 数据集上执行图像分类。由于这个数据集中的图像大小是28*28*1，如果要使用的话，需要把28*28*1的灰度图变成224*224*3的RGB图，我们可以很容易的使用库转换图像。

首先我们做引导包：

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()

导入和重命名：

import cv2 as cv

读取数据集中的500张图片（注意不要把所有图片都用于读取和求和，否则不会节省电脑内存，因为之后每张图片的大小会大大增加，60000张图片需要的电脑内存是大致需要8.1Gb，如果用CPU训练的话，你的记忆棒目前至少需要8GB以上，后面加的权重参数上亿，电脑的运行内存是不可能。大，毕竟只要我们的神经网络好，几个就能得到很好的验证集准确率，没必要追求数量），读取和同时224*224*3的代码为如下：

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)

我们终于得到了一个三维列表数据，但这不是一个，即numpy中的一个数组对象，目前还不能训练，需要在numpy中转换成数组，代码如下：

train_data=np.array(train_data)
train_data.shape

输出的当前形状是：

(500, 224, 224, 3)

对数据进行归一化以加速卷积神经网络的运行：

train_data=train_data/255

导入模型，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

可以发现，只需要500张图片，需要10个epoch，训练集的准确率就达到了80%。

这样，我们就用.0快速实现了一个神经网络！

分类：

技术要点：

相关文章：