AI ninja project [day 11] 图片分类(1)

我想先回来介绍一些深度学习框架好了，
非类神经的演算法也可以被归为AI，
但是神经网路的深度学习算是兵家必争之地。
假设去应徵要当一名AI软件工程师，应该不会pytorch，也要会tensorflow吧。

图片分类算是学深度学习时，
一定会碰到的基础功能。

下面先分享tensorflow官网基础教学的使用方法:

参考网站
https://www.tensorflow.org/tutorials/images/cnn?hl=zh_tw

安装

pip install tensorflow

引入模组

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

资料集为cifar10，总共有10个类别，有卡车、船、飞机、马、青蛙、狗、鹿、猫、鸟、汽车、飞机，
每个类别有6000张图片，在load_data的时候，就帮我们切分好了训练集及测试集，
而每一张图，为numpy array的格式

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

用list来对应答案与顺序

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

将像素 Normalize变成介於0-1的数值，以降低计算复杂度

train_images, test_images = train_images / 255.0, test_images / 255.0

建设模型之前，也可以先查看一下原始资料

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i])
    # The CIFAR labels happen to be arrays, 
    # which is why you need the extra index
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

再来是model的建立，采用的是官网使用的CNN:

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))


model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

开始训练，设定为5个epoch:

history = model.fit(train_images, train_labels, epochs=5, 
                    validation_data=(test_images, test_labels))

评估模型，查看损失函数与准确度:

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print(test_loss)
print(test_acc)

作图看，可以查看训练状况，以及有没有过拟合的情形:

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')

可以发现在这样的设定之下，准确度不超过70，
因此我想使用autoML的套件autokeras来测试看看，
如果让程序以往格搜寻的方式自行搭建模型，是否能提升准确度。

由於autokeras使用的是tensorflow 2.5，
所以我使用colab来执行程序(可以在工具区 键盘快速键设定喜好的快捷键):

使用依样的资料集，一样用5个epoch

可以发现运行了很久，可惜准确度无法有效提升:

我还记得我毕业专题是用几百张 积雨云、层云、卷云来做分类，
是希望以云的形状来即时预测天气，准确度是还可以，是因为一开始挑选的图片差异就很大。
但是如果将模型放入树梅派，然後放入温室来拍摄天空就不知道效果如何(先不说准确度了，树梅派耐的了高温吗?)。

有机会的话，大家也可以搭建看看图片分类的模型，
看能不能有人能搭建出查看牛排几分熟的模型。
(不确定用物件辨识会不会更好做，但我从外观来看，主要是颜色的差异)