Day 6 追加训练

根据昨天的测试我们知道小画家画风的数字模型认不出来，那麽我们可以追加训练让它学习自己画的字。
这次我决定再改一下资料格式，并用 tensorflow.keras 的内建函式读取。
资料格式如下，一个资料夹代表一个标签，image_dataset_from_directory 会自动的将资料夹名称转为标签。

因为内建函式没有黑白转换那麽细的设定，所以我手动把图片改成黑底白字了。

import tensorflow as tf
saved_model_path = "mnist"
model = tf.keras.models.load_model(saved_model_path)

# 读取 img 资料夹，32 个一批，图片大小转 28*28，灰阶模式，标签是整数
# 不打乱，因为在打乱的情况拿资料会导致每次拿的顺序都不同
raw_keras_ds = tf.keras.preprocessing.image_dataset_from_directory("img", batch_size=32, image_size=(28, 28), color_mode="grayscale", label_mode='int', shuffle=False)

这次改用 pandas 整理输出资料

import pandas as pd

predictions, labels = tuple(zip(*raw_keras_ds))

results = model.predict(predictions)

results = [ [round(j, 2) for j in i]  for i in results]

df = pd.DataFrame(results)
df.insert(0, 'label', labels[0])
df.insert(0, 'filepath', raw_keras_ds.file_paths)

print(df.to_markdown())

6, 7, 8 的预测都错误。
而如果有人想问我为啥结果和昨天不一样...我也不知道，也许 opencv 处理图片的方式和 image_dataset_from_directory 的方式不同。
但错的和昨天差不多，不过结果被四舍五入了。

batch_size 务必大於资料量，因为原本 image_dataset_from_directory 是使用 batch_size 一批一批的的拿资料。

但为了在结果展示更多资讯，我用了以下两个方式拿 label 和 file_paths。
predictions, labels = tuple(zip(*raw_keras_ds))
raw_keras_ds.file_paths

如果 batch_size 只有 5 ，那麽他们只会拿到第一批的五笔资料。

说好的追加训练其实只要一行

model.fit(raw_keras_ds, epochs=5)

追加训练後的结果，只剩下 7 被认成 1 了。

虽然官方的函式库的确很方便，但我还是比较习惯手刻。
因为不熟悉函式库，很多都要上网查。