七、CV_模型微调

七、模型微调

1.微调

1. 在源数据集（如ImageNet数据集）上预训练一个神经网络模型，即源模型（预训练模型）。——修改预训练模型使他适合你的任务，最重要的是修改输出层
2. 创建一个新的神经网络模块，即目标模型。它复制了源模型上除了输出层外的所有模型设计及其参数。我们假设这些模型参数包含了源数据集上学习到的知识，且这些知识同样适用于目标数据集。我们还假设源模型的输出层跟源数据集的标签紧密相关，因此在目标模型中不予采用。
3. 为目标模型添加一个输出大小为目标数据集类别个数的输出层，并随机初始化该层的模型参数。
4. 在目标数据集上训练目标模型。我们将从头训练输出层，而其余层的参数都是基于源模型的参数微调得到的

• 当目标数据集远小于源数据集时，微调有助于提升模型的泛化能力
• 根据当前任务数据集的大小来确定微调的网络层
  • 在数据集较小时，隐藏层的参数可以不进行微调
  • 在数据集较大时，可以将隐藏层划开，里面的参数也可以进行变化

2.热狗识别案例

将基于一个小数据集对在ImageNet数据集上训练好的ResNet模型进行微调。该小数据集含有数千张热狗或者其他事物的图像。我们将使用微调得到的模型来识别一张图像中是否包含热狗

import tensorflow as tf
import numpy as np

（1）获取数据集

• batch_size在读取数据和模型训练的时候均可以进行设置

通过以下方法读取图像文件，该方法以文件夹路径为参数，生成经过图像增强后的结果，并产生batch数据：

flow_from_directory(self,directory, # 目标文件夹路径，对于每一个类对应一个子文件夹，# 该文件夹中任何JPG，PNG，BNP，PPM的图片都可以读取 target_size = (256, 256), # 默认为（256，256），图像将被resize成该尺寸color_mode = 'rgb',classes = None,class_mode = 'categorical',batch_size = 32, # 默认为32shuffle = True, # 是否打乱数据，默认为Trueseed = None,save_to_dir = None)

创建两个tf.keras.preprocessing.image.ImageDataGenerator示例来分别读取训练数据集和测试数据集中的所有图像文件。将训练集图片全部处理为高宽均为224像素的输入。此外，我们对RGB三个颜色通道的数值做标准化。

注意：

（2）模型构建与训练

实例化预训练数据集（tf.keras.appilcation）------>模型调整（调整输出层，并设置层是否可训练）

• 我们使用在ImageNet数据集上的预训练模型的ResNet-50作为源模型。这里指定weights = 'imagenet’来自动下载并加载预训练的模型参数。
• Keras应用程序（keras.applications）是具有预先训练权值的固定框架，该类封装了很多重量级的网络架构

实现时实例化模型架构：

• 利用tf.keras中的application实现迁移学习

tf.keras.application.ResNet50(include_top = True,  # 是否包含顶层的全连接层（默认为True）weights = 'imagenet', # None代表随机初始化，'imagenet'代表加载在ImageNet上预训练的权重input_tensor = None, # 如果你已经用 tf.keras.Input() 创建了输入层，这里可以传入它；# 一般用于自定义模型结构input_shape = None, # 可选，输入尺寸元组，仅当include_top = False时有效，否则输入形状必须是（224，224，3）（channels_last格式）# 或（3，224，224）（channels_first格式）。它必须为3个输入通道，且高宽必须不小于32pooling = None, # 当 include_top=False 时，是否添加全局池化classes = 1000,**kwargs
)

• include_top
  • include_top = True， 模型会包含原始 ResNet50 在 ImageNet 上训练的最后三层全连接分类头（avg_pool → fc1000 → softmax 输出 1000 类）
  • include_top = False， 就不会包含这些顶层结构，适合迁移学习时接上你自己的分类层。
• pooling
  • 如果为 None：输出为卷积特征图（feature map），形状类似 (batch, 7, 7, 2048)
  • 'avg'：加一层 GlobalAveragePooling2D，输出为 (batch, 2048)
  • 'max'：加一层 GlobalMaxPooling2D，输出为 (batch, 2048)
• classes（输出类别数量）
  • 只有当 **include_top=True** 时有效；
  • 用于设置最终全连接层的输出维度。

在该案例中使用resNet50预训练模型架构模型：

# 加载预训练模型
ResNet50 = tf.keras.applications.ResNet50(weights = 'imagenet', input_shape = (224, 224, 3))
# 设置所有层不可训练
for layer in ResNet50.layers:layer.trainable = False# 设置模型
net = tf.keras.models.Squential()
# 预训练模型
net.add(ResNet50)
# 展开
net.add(tf.keras.layers.Flatten())
# 二分类的全连接层
net.add(tf.keras.layers.Dense(2, activation = 'softmax'))

接下来使用之前定义好的ImageGenerator将训练集图片送入ResNet50进行训练

# 模型编译：指定优化器，损失函数，评价指标
net.compile(optimizer = 'adam',loss = 'categorical_crossentropy',metrics = ['accuracy']
)# 模型训练：指定数据，每一个epoch中只运行10个迭代，指定验证数据集
history = net.fit(train_data_gen = True,steps_per_epoch = 10,epochs = 3,validation_data = test_data_gen,  # 验证集validation_step = 10
)