kaggle猫狗大战之AlexNet(一)

哎呦
1年前 阅读 292 点赞 0

这篇文章主要介绍如何利用AlexNet预训练模型来训练一个猫狗分类器,主要内容包括:

1、项目结构介绍

2、数据探索数据的准备

3、AlexNet模型的构建

4、模型的训练和性能评估

5、结果的提交

一、项目结构介绍


1、相关数据下载地址

项目地址:https://github.com/steelOneself/kaggle/tree/master/cat_vs_dog/AlexNet

数据下载地址:https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data

AlexNet预训练文件下载地址:http://www.cs.toronto.edu/~guerzhoy/tf_alexnet/


2、项目文件介绍

checkpoints  --- 用来保存训练后生成的模型文件

model --- 用来存放预训练模型文件

tensorboard ---用来保存训练过程中的日志信息

txt --- 用来存放数据集的图片信息

AlexNet.py --- AlexNet模型结构文件

DataGenrator.py --- 数据生成类

Exploration.py --- 可视化分析

Generate_txt.py --- 将图片信息保存为txt文件

run.py --- 模型训练、评估、结构生成

util_data.py --- 数据集工具类,将数据分为训练集和验证集


二、数据探索


1、数据介绍

数据包含两部分,训练集和测试集,训练集有25000张图片,测试集有12500张图片,在训练集的图片名称中包含了图片的标签信息,而测试集的图片名称代表的图片的id,提交结果的时候要求提交图片的id和预测对应图片的标签(1表示dog,0表示cat)。


2、数据探索

分析训练集中猫狗的分布情况

三、数据的准备

注意:我将展示出来的代码进行了省略,由于代码比较多,比较占空间,详细代码请参考git。


1、生成txt文件


2、将数据分为训练集和验证集

将25000张图片分为训练集和验证集,训练集占20000张图片,验证集占5000张图片,分割的时候需要注意,训练集和验证集中猫和狗所占的比例相同。


3、数据生成类


利用CPU资源来加载数据,在读取图片的时候需要将图片转为227×227,因为AlexNet要求输出图片的大小是227×227。


四、AlexNet模型构建


五、模型的训练和性能评估1、模型的训练


1、模型参数设置


train_layers设置需要重新训练的层数,在这次训练过程中,只重新训练AlexNet的最后三层全连接层,其余的层保持不变。


训练完成之后,在checkpoints会产生ckpt模型文件,每一个epoch保存一次模型文件,只有当后一个在验证集上的准确率大于前一个时才会保存模型文件,在保存模型文件的时候后面有附带该次epoch在验证集上的准确率。


2、模型评估


3、查看模型在验证集上分类正确和分类错误的图片


上面一行表示分类正确的图片,下面一行表示分类错误的图片


4、查看验证集预测结果的分布情况

5、混淆矩阵


6、验证集分类结果报告


六、提交结果

kaggle的成绩是计算预测结果的交叉熵损失值,在生成预测结果的时候,通过fc8输出的结果还需要经过一个softmax层才能输出每个类别的概率,直接使用预测类标(0或1)比预测概率的成绩会低一些。


总结:本篇文章主要介绍了如何使用AlexNet来构建一个预训练模型,在下一篇文章将会介绍如何来预训练一个更复杂的Inception-resent网络。

| 0
登录后可评论,马上登录吧~
评论 ( 0 )

还没有人评论...

相关推荐