摘要

1. Test資料集驗證

   1.1 單張圖檔預測

   1.2 多張圖檔預測

2. 五個模型的準確度對照表

3. 心得

內容

1. Test資料集驗證

   1.1 單張圖檔預測

   • 程式碼

   from tensorflow.keras.preprocessing import image
   from keras.models import load_model
   from keras import backend as K
   import numpy as np
   import os
   
   # 關閉GPU加速功能(建議安裝無GPU版本，縮短初始化時間)
   os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
   
   # 開啟800字典
   words_path = './800_words.txt'
   file1 = open(words_path, 'rt', encoding='Big5')
   labels = list(file1.read())
   file1.close()
   
   # 載入模型
   model = load_model('./model/xception_v2/Xception_retrained_v2.h5')
   
   # 讀取照片
   img_path = './data/test/丁/丁_0.jpg'
   try:
       img = image.load_img(img_path, target_size=(80, 80))
   except Exception as e:
       print(img_path, e)
   
   # 圖檔預處理
   img = image.img_to_array(img) # 灰階
   img = np.expand_dims(img, axis=0) # 轉換通道
   img = img/255 # rescale
   
   # 計算機率與預測結果
   pred = model.predict(img)[0]
   print(pred) # 機率list
   index = np.argmax(pred)
   prediction = labels[index]
   print(prediction) # 預測結果
   

   • 輸出：印出800字的機率，並取機率最大的中文字，作為辨識結果。

     • 圖檔

       

     • 結果

       

   1.2 多張圖檔預測：以flow_from_directory抽取每個epoch的預測樣本，再逐次載入記憶體進行預測。

   • 程式碼

   from keras.preprocessing.image import ImageDataGenerator
   from keras.models import load_model
   from keras import backend as K
   
   # 關閉GPU加速功能
   # os.environ["CUDA_VISIBLE_DEVICES"]="-1"
   
   # 載入模型
   K.clear_session()
   model = load_model('./model/densenet201_v2/10011/Densenet201_checkpoint_v2.h5')
   
   # 設定參數
   test_dir = './data/test'
   batch_size = 64
   target_size = (80, 80)
   
   # 圖檔前處理
   test_datagen = ImageDataGenerator(rescale=1./255)
   
   #從Test資料集抽取每批驗證圖檔
   test_generator = test_datagen.flow_from_directory(test_dir,
                                      target_size=target_size,
                                      batch_size=batch_size, shuffle=False)
   
   # 驗證test準確率
   test_generator.reset()
   test_loss, test_acc = model.evaluate_generator(test_generator,    steps=test_generator.samples//batch_size, verbose=1)
   print('test acc:', test_acc)
   print('test loss:', test_loss)
   

   • 輸出：
     • Train Accuracy/Loss與Test Accuracy/Loss。
     • Train資料集：預測174,808張圖檔；Test資料集：預測38277張圖檔
       

2. 五個模型的準確率對照表

   

3. 總結：

   3.1 以前只是單純載入預訓練模型，隨機調整參數，訓練後挑選出效果不錯的模型。這是第一次看論文，耗費大量時間精力，剛開始研讀的前幾天，真的挺痛苦的，進度也因此延誤。但了解模型的核心理念與架構後，有漸入佳境的感覺，獲益良多。

   3.2 由於IceptionV4最新版的預訓練模型，在Keras中有權重不匹配的問題，目前採用不載入權重的重新訓練，需要耗費更多時間。從對照圖得知，IceptionV4從頭訓練效果不好，故後續先不考慮此模型。

   3.3 此外，前五天的模型架構與原理的分享，如果內文敘述有誤，歡迎大家提出意見，謝謝。

小結

1. 下一步，我們想利用加權的方式組合多個模型，找出各模型權重後，計算出800個中文字的加權機率，再以機率最高的中文字作為模型預測結果。
2. 我們以R語言撰寫，進行模型加權權重計算。在此之前，需要先取得各個模型輸出之800字機率表。故下一章，目標是：「和大家介紹模型權重計算的前置作業」。

讓我們繼續看下去...

參考資料