Day 29 ~ AI从入门到放弃 - 猫狗辨识之四

训练过程中可能会有关於图片的错误讯息出现，不过并不是所有图片都有问题，小部分的错误可以忽略。
如果出现的是缺少PIL的话，请安装套件。

pip install pillow

如果出现的错误是OOM的话，代表你的视讯记忆体容量不足以满足目前的设定，请适度调低图片输入的尺寸，或是小批量梯度下降的批大小。

input_shape = (160, 160)
batch_size = 32

接着我们对於昨天训练的模型挑选来做测试，这里我使用其自动储存的EfficientNetB0-40.h5，在验证集的正确率到达95.16%，先写一个函数，载入模型，对输入图片缩放、预处理再进行辨识，接着到Google上搜寻一些猫狗的图片，丢进模型看是否辨识成功。

from tensorflow.keras.preprocessing.image import load_img, img_to_array
from tensorflow.keras.models import load_model

model = load_model('EfficientNetB0-40.h5')
input_shape = model.input_shape[1:3]

def predict(path, thresh=0.5):
  img = load_img(path, target_size=input_shape, interpolation='lanczos')
  img = img_to_array(img) / 255.
  conf = model.predict(img.reshape(-1, *img.shape))[0][0]
  animal = 'Cat' if conf < thresh else 'Dog'
  return (animal, conf)

越靠近0、1代表模型越有信心，越靠近0.5代表越没有信心，我抓了四张图片，来看看结果如何。

>>> predict(r'cat1.jpg')
('Cat', 0.44871056)
>>> predict(r'cat2.jpg')
('Cat', 0.15131222)
>>> predict(r'dog1.jpg')
('Dog', 0.7994051)
>>> predict(r'dog2.jpg')
('Dog', 0.99938977)

如果你对这个模型满意，想要保留之後使用的话，可以这样设定储存参数，那麽优化器的状态不会被保存下来，可以节省不少体积，减少的体积量依使用优化器的不同而定，使用adam的话，这麽做是很有感的，如果你是之前中断训练，且有意後续载入继续进行训练的话，建议可以先不做。

model.save('EfficientNetB0-40-Stripped.h5', include_optimizer=False)