政安晨:【Keras机器学习实践要点】(三十二)—— 使用 BigTransfer (BiT) 进行图像分类

本文主要是介绍政安晨:【Keras机器学习实践要点】(三十二)—— 使用 BigTransfer (BiT) 进行图像分类,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

简介

设置

收集花卉数据集

可视化数据集

定义超参数

定义预处理辅助函数

定义数据管道

可视化训练样本

将预训练的 TF-Hub 模型加载到 KerasLayer 中

创建大转移(BiT)模型

定义优化器和损耗

编译模型

设置回调

训练模型

绘制训练和验证指标图

评估模型

结论


政安晨的个人主页政安晨

欢迎 👍点赞✍评论⭐收藏

收录专栏: TensorFlow与Keras机器学习实战

希望政安晨的博客能够对您有所裨益,如有不足之处,欢迎在评论区提出指正!

本文目标BigTransfer (BiT) 最先进的图像分类迁移学习。

简介


BigTransfer(又称 BiT)是用于图像分类的最先进的迁移学习方法。在训练视觉深度神经网络时,预训练表征的转移提高了样本效率,简化了超参数调整。

BiT 重新审视了在大型监督数据集上进行预训练并在目标任务上对模型进行微调的模式。随着预训练数据量的增加,适当选择归一化层和扩展架构容量的重要性。

BigTransfer(BiT) 是在公共数据集以及 TF2、Jax 和 Pytorch 代码的基础上训练而成的。这将帮助任何人在其感兴趣的任务上达到最先进的性能,即使每个类别只有少量标注图像。

您可以在 TFHub 中找到在 ImageNet 和 ImageNet-21k 上预先训练好的 BiT 模型,作为 TensorFlow2 SavedModels,您可以轻松地将其用作 Keras 层。有多种尺寸,从标准 ResNet50 到 ResNet152x4(152 层深,比典型的 ResNet50 宽 4 倍),适合计算和内存预算较大但精度要求较高的用户。

图: x 轴表示每个类别使用的图像数量,范围从 1 到整个数据集。

在左边的图中,上面蓝色的曲线是我们的 BiT-L 模型,而下面的曲线是在 ImageNet(ILSVRC-2012)上预训练的 ResNet-50。

设置

import os
os.environ["KERAS_BACKEND"] = "tensorflow"
import numpy as np
import pandas as pd
import matplotlib.pyplot as pltimport keras
from keras import ops
import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfdstfds.disable_progress_bar()SEEDS = 42keras.utils.set_random_seed(SEEDS)

收集花卉数据集

train_ds, validation_ds = tfds.load("tf_flowers",split=["train[:85%]", "train[85%:]"],as_supervised=True,
)

演绎展示:

[1mDownloading and preparing dataset 218.21 MiB (download: 218.21 MiB, generated: 221.83 MiB, total: 440.05 MiB) to ~/tensorflow_datasets/tf_flowers/3.0.1...[0m
[1mDataset tf_flowers downloaded and prepared to ~/tensorflow_datasets/tf_flowers/3.0.1. Subsequent calls will reuse this data.[0m

可视化数据集

plt.figure(figsize=(10, 10))
for i, (image, label) in enumerate(train_ds.take(9)):ax = plt.subplot(3, 3, i + 1)plt.imshow(image)plt.title(int(label))plt.axis("off")

定义超参数

RESIZE_TO = 384
CROP_TO = 224
BATCH_SIZE = 64
STEPS_PER_EPOCH = 10
AUTO = tf.data.AUTOTUNE  # optimise the pipeline performance
NUM_CLASSES = 5  # number of classes
SCHEDULE_LENGTH = (500  # we will train on lower resolution images and will still attain good results
)
SCHEDULE_BOUNDARIES = [200,300,400,
]  # more the dataset size the schedule length increase

SCHEDULE_LENGTH和SCHEDULE_BOUNDARIES等超参数是根据经验结果确定的。

该方法在原始论文和谷歌人工智能博文中均有解释。

此外,SCHEDULE_LENGTH 也决定了是否使用 MixUp Augmentation。

您还可以在 Keras Coding Examples 中找到简单的 MixUp 实现。

定义预处理辅助函数

SCHEDULE_LENGTH = SCHEDULE_LENGTH * 512 / BATCH_SIZErandom_flip = keras.layers.RandomFlip("horizontal")
random_crop = keras.layers.RandomCrop(CROP_TO, CROP_TO)def preprocess_train(image, label):image = random_flip(image)image = ops.image.resize(image, (RESIZE_TO, RESIZE_TO))image = random_crop(image)image = image / 255.0return (image, label)def preprocess_test(image, label):image = ops.image.resize(image, (RESIZE_TO, RESIZE_TO))image = ops.cast(image, dtype="float32")image = image / 255.0return (image, label)DATASET_NUM_TRAIN_EXAMPLES = train_ds.cardinality().numpy()repeat_count = int(SCHEDULE_LENGTH * BATCH_SIZE / DATASET_NUM_TRAIN_EXAMPLES * STEPS_PER_EPOCH
)
repeat_count += 50 + 1  # To ensure at least there are 50 epochs of training

定义数据管道

# Training pipeline
pipeline_train = (train_ds.shuffle(10000).repeat(repeat_count)  # Repeat dataset_size / num_steps.map(preprocess_train, num_parallel_calls=AUTO).batch(BATCH_SIZE).prefetch(AUTO)
)# Validation pipeline
pipeline_validation = (validation_ds.map(preprocess_test, num_parallel_calls=AUTO).batch(BATCH_SIZE).prefetch(AUTO)
)

可视化训练样本

image_batch, label_batch = next(iter(pipeline_train))plt.figure(figsize=(10, 10))
for n in range(25):ax = plt.subplot(5, 5, n + 1)plt.imshow(image_batch[n])plt.title(label_batch[n].numpy())plt.axis("off")

将预训练的 TF-Hub 模型加载到 KerasLayer 中

bit_model_url = "https://tfhub.dev/google/bit/m-r50x1/1"
bit_module = hub.load(bit_model_url)

创建大转移(BiT)模型

为了创建新模型,我们:

1. 切掉 BiT 模型原来的头部。这样我们就有了 "预日志 "输出。如果我们使用的是 "特征提取器 "模型(即子目录 feature_vectors 中的所有模型),则无需这样做,因为这些模型的头部已经被切掉了。

2. 添加一个新的头部,其输出数等于新任务的类数。请注意,重要的是我们要将头部初始化为零。

class MyBiTModel(keras.Model):def __init__(self, num_classes, module, **kwargs):super().__init__(**kwargs)self.num_classes = num_classesself.head = keras.layers.Dense(num_classes, kernel_initializer="zeros")self.bit_model = moduledef call(self, images):bit_embedding = self.bit_model(images)return self.head(bit_embedding)model = MyBiTModel(num_classes=NUM_CLASSES, module=bit_module)

定义优化器和损耗

learning_rate = 0.003 * BATCH_SIZE / 512# Decay learning rate by a factor of 10 at SCHEDULE_BOUNDARIES.
lr_schedule = keras.optimizers.schedules.PiecewiseConstantDecay(boundaries=SCHEDULE_BOUNDARIES,values=[learning_rate,learning_rate * 0.1,learning_rate * 0.01,learning_rate * 0.001,],
)
optimizer = keras.optimizers.SGD(learning_rate=lr_schedule, momentum=0.9)loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

编译模型

model.compile(optimizer=optimizer, loss=loss_fn, metrics=["accuracy"])

设置回调

train_callbacks = [keras.callbacks.EarlyStopping(monitor="val_accuracy", patience=2, restore_best_weights=True)
]

训练模型

history = model.fit(pipeline_train,batch_size=BATCH_SIZE,epochs=int(SCHEDULE_LENGTH / STEPS_PER_EPOCH),steps_per_epoch=STEPS_PER_EPOCH,validation_data=pipeline_validation,callbacks=train_callbacks,
)

演绎展示:

Epoch 1/400
10/10 [==============================] - 18s 852ms/step - loss: 0.7465 - accuracy: 0.7891 - val_loss: 0.1865 - val_accuracy: 0.9582
Epoch 2/400
10/10 [==============================] - 5s 529ms/step - loss: 0.1389 - accuracy: 0.9578 - val_loss: 0.1075 - val_accuracy: 0.9727
Epoch 3/400
10/10 [==============================] - 5s 520ms/step - loss: 0.1720 - accuracy: 0.9391 - val_loss: 0.0858 - val_accuracy: 0.9727
Epoch 4/400
10/10 [==============================] - 5s 525ms/step - loss: 0.1211 - accuracy: 0.9516 - val_loss: 0.0833 - val_accuracy: 0.9691

绘制训练和验证指标图

def plot_hist(hist):plt.plot(hist.history["accuracy"])plt.plot(hist.history["val_accuracy"])plt.plot(hist.history["loss"])plt.plot(hist.history["val_loss"])plt.title("Training Progress")plt.ylabel("Accuracy/Loss")plt.xlabel("Epochs")plt.legend(["train_acc", "val_acc", "train_loss", "val_loss"], loc="upper left")plt.show()plot_hist(history)

评估模型

accuracy = model.evaluate(pipeline_validation)[1] * 100
print("Accuracy: {:.2f}%".format(accuracy))
9/9 [==============================] - 3s 364ms/step - loss: 0.1075 - accuracy: 0.9727
Accuracy: 97.27%

结论

从每类 1 个示例到总共 100 万个示例,BiT 在各种数据条件下均表现出令人惊讶的优异性能。BiT 在 ILSVRC-2012 上的最高准确率达到 87.5%,在 CIFAR-10 上达到 99.4%,在 19 个任务的视觉任务适应基准 (VTAB) 上达到 76.3%。在小型数据集上,BiT 在每类 10 个示例的 ILSVRC-2012 上达到了 76.8%,在每类 10 个示例的 CIFAR-10 上达到了 97.0%。


这篇关于政安晨:【Keras机器学习实践要点】(三十二)—— 使用 BigTransfer (BiT) 进行图像分类的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/914640

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring Boot 整合 SSE的高级实践(Server-Sent Events)

《SpringBoot整合SSE的高级实践(Server-SentEvents)》SSE(Server-SentEvents)是一种基于HTTP协议的单向通信机制,允许服务器向浏览器持续发送实... 目录1、简述2、Spring Boot 中的SSE实现2.1 添加依赖2.2 实现后端接口2.3 配置超时时

解决Maven项目idea找不到本地仓库jar包问题以及使用mvn install:install-file

《解决Maven项目idea找不到本地仓库jar包问题以及使用mvninstall:install-file》:本文主要介绍解决Maven项目idea找不到本地仓库jar包问题以及使用mvnin... 目录Maven项目idea找不到本地仓库jar包以及使用mvn install:install-file基

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

C 语言中enum枚举的定义和使用小结

《C语言中enum枚举的定义和使用小结》在C语言里,enum(枚举)是一种用户自定义的数据类型,它能够让你创建一组具名的整数常量,下面我会从定义、使用、特性等方面详细介绍enum,感兴趣的朋友一起看... 目录1、引言2、基本定义3、定义枚举变量4、自定义枚举常量的值5、枚举与switch语句结合使用6、枚

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB