【第11天】訓練模型-Keras Application重要函數

2021 iThome 鐵人賽

DAY 11

AI & Data

手寫中文字之影像辨識系列第 11 篇

13th鐵人賽

midnightla

2021-09-26 21:58:57

5359 瀏覽

分享至

摘要

資料集預處理

1.1 ImageDataGenerator

1.2 flow_from_directory
Callbacks API

2.1 EarlyStopping

2.2 ModelCheckpoint

2.3 Callbacks

內容

資料集預處理

1.1 簡介：
- 【第6天】資料前處理-資料擴增曾提及，訓練模型時，會增加訓練樣本，避免模型過擬合。其中，Data Augmentation也是一個增加訓練樣本的方法。
- keras.preprocessing中內建的Data Augmentation函數，即為ImageDataGenerator。
- flow_from_directory則是從ImageDataGenerator抽取訓練樣本，供模型訓練每個epoch時使用。用於解決資料集過大，無法一次性載入記憶體的困境。
1.2 ImageDataGenerator
- 範例：
```
# 設定批量生成器
train_datagen = ImageDataGenerator(rescale=1./255, 
                                   rotation_range=20,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range=0.2, 
                                   zoom_range=0.5,
                                   fill_mode="nearest")

val_datagen = ImageDataGenerator(rescale=1./255)

test_datagen = ImageDataGenerator(rescale=1./255)
```
- 參數說明
  - rescale：預設值為0或None，若賦值(1./255)的話，會將圖片的數據乘以該值，進行縮放。
  - rotation_range：若賦值為20，代表圖像順時針旋轉20度；賦值為-20，代表圖像逆時針旋轉20度。
  - width_shift_range：圖像隨機水平移動，位移距離為圖像長度乘以參數(0.2)。
  - height_shift_range：圖像隨機垂直移動，位移距離為圖像長度乘以參數(0.2)。
  - shear_range：固定圖像的X軸/Y軸，對Y軸/X軸座標進行垂直/水平移動。如圖像從長方形，變成平行四邊形，如下圖。
  圖片來自於：https://medium.com/ai%E5%8F%8D%E6%96%97%E5%9F%8E/preprocessing-data-image-data-augmentation%E5%AF%A6%E4%BD%9C%E8%88%87%E5%8F%83%E6%95%B8%E8%AA%AA%E6%98%8E-d05f2ed24194
  - zoom_range：讓圖像在水平或垂直方向進行放縮放。賦值在0~1之間，代表放大；賦值大於1，代表縮小。
  - fill_mode：用來填補圖像資料擴增時，造成的像素缺失。
1.3 flow_from_directory
- 範例：
```
# 讀取資料集+批量生成器，產生每epoch訓練樣本
train_generator = train_datagen.flow_from_directory(train_dir,
                                      target_size=target_size,
                                      batch_size=batch_size)

valid_generator = val_datagen.flow_from_directory(valid_dir,
                                      target_size=target_size,
                                      batch_size=batch_size)

test_generator = test_datagen.flow_from_directory(test_dir,
                                      target_size=target_size,
                                      batch_size=batch_size,
                                      shuffle=False)
```
- 參數說明：
  - target_size：圖像尺寸大小。
  - shuffle：預設為True，代表抽取資料時，會隨機將資料打散。
預訓練模型種類

2.1 簡介：
- Callback：訓練模型時，可以呼叫該函數，監控模型的訓練狀態，用於即時自動調整其他函數。
- EarlyStopping：設定模型停止訓練的條件，避免發生過擬合的現象。
- ModelCheckpoint：當模型的表現優於先前，才會覆蓋儲存先前的權重，用於儲存最佳模型。
2.2 EarlyStopping
- 範例
```
# 設定earlystop條件
estop = EarlyStopping(monitor='val_loss', patience=10, 
                      mode='min', verbose=1)
```
- 參數說明：
  - monitor：欲監控的數值。通常使用val_loss或val_acc
  - mode：選擇監控的模式。對應monitor類別，val_loss設定min或val_acc設定max。
  - patience：若賦值為10，代表模型連續訓練10個epoch後，監控的數值表現沒有更好，就會停止訓練。
  - verbose：用於選擇模型訓練資訊的顯示方式。
2.3 ModelCheckpoint
- 範例：
```
# 設定模型儲存條件(儲存最佳模型)
checkpoint = ModelCheckpoint('Densenet201_checkpoint_v2.h5', verbose=1,
                              monitor='val_loss', save_best_only=True,
                              mode='min')
```
- 參數說明：
  - 待讀取模型路徑：'Densenet201_checkpoint_v2.h5'
  - monitor：欲監控的數值。通常使用val_loss或val_acc
  - mode：選擇監控的模式。對應monitor類別，val_loss設定min或val_acc設定max。
  - save_best_only：預設為False，代表每個epoch訓練後，都會覆蓋儲存權重。若設定為True，只有當模型表現更佳時，才會覆蓋儲存權重。
  - verbose：用於選擇模型訓練資訊的顯示方式。
2.4 Callbacks
- 範例：
```
# 重新訓練模型權重(以callbacks呼叫checkpoint、estop、reduce_lr)
history = model.fit_generator(train_generator,
                   epochs=500, verbose=1,
                   steps_per_epoch=train_generator.samples//batch_size,
                   validation_data=valid_generator,
                   validation_steps=valid_generator.samples//batch_size,
                   callbacks=[checkpoint, estop, reduce_lr])
```
- 參數說明：
  - 讀取資料集+批量生成器，抽取每epoch訓練樣本：train_generator。
  - epochs：訓練回合數。
  - verbose：用於選擇模型訓練資訊的顯示方式。
  - steps_per_epoch：設定每個epoch要執行多少step，詳細說明請參閱Keras fit_generator的steps_per_epoch。計算公式如下。
    steps_per_epoch = 資料集樣本數除以 batch size
  - callbacks：用來儲存checkpoint、estop、reduce_lr的函數。