目录
一、前言
二、前期准备
1、设置GPU
2、导入数据
3、查看数据
三、数据预处理
1、加载数据
2、可视化数据
3、再次检查数据
4、配置数据集
四、构建CNN网络
五、编译
六、训练模型
七、模型评估
1、Loss and Acurracy图
2、指定图片进行预测
- 🍨 本文为🔗365天深度学习训练营中的学习记录博客
- 🍖 原作者：K同学啊
运行结果如下：
运行结果如下：
（1）调大batchsize会使得模型训练速度更快，但可能会降低模型的泛化能力。因为较大的batchsize意味着每次更新参数时使用的训练样本更多，这会导致模型对训练数据的噪声更加敏感，从而降低了模型在未见过的数据上的性能。
（2）调小batchsize则会使得模型训练速度变慢，但可能会提高模型的泛化能力。较小的batchsize意味着每次更新参数时使用的训练样本较少，这会使模型对训练数据的细节更加敏感，从而提高了模型在未见过的数据上的性能。然而，过小的batchsize可能会导致训练不稳定或收敛速度较慢。
运行结果如下：
运行结果如下：
运行结果如下：
运行结果如下：
功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：
使用可显著减少空闲时间：
cache() ：将数据集缓存到内存当中，加速运行
这段代码是用于优化数据加载和预处理过程：
（1）AUTOTUNE = tf.data.AUTOTUNE: tf.data.AUTOTUNE是一个特殊的值，用于告诉TensorFlow在运行时自动调整数据加载和预处理的参数，以获得最佳性能。
（2）train_ds = train_ds.cache(): 这行代码将训练数据集（train_ds）缓存到内存中。缓存可以将数据集存储在内存中，以便更快地访问和处理数据。这对于大型数据集非常有用，因为它可以避免重复读取和预处理数据。
（3）train_ds = train_ds.shuffle(1000): 这行代码对训练数据集进行随机洗牌。洗牌操作会随机打乱数据集中的样本顺序，有助于提高模型的泛化能力。这里的1000表示洗牌缓冲区的大小，即每次从数据集中抽取多少个样本进行洗牌。
（4）train_ds = train_ds.prefetch(buffer_size=AUTOTUNE): 这行代码使用prefetch方法预取训练数据集的下一个批次。预取操作可以在数据实际被模型使用之前将其加载到内存中，从而减少等待时间并提高数据处理速度。buffer_size=AUTOTUNE表示使用前面定义的AUTOTUNE变量作为预取缓冲区的大小。
（5）val_ds = val_ds.cache(): 这行代码将验证数据集（val_ds）缓存到内存中。与训练数据集类似，缓存可以加速数据的访问和处理。
（6）val_ds = val_ds.prefetch(buffer_size=AUTOTUNE): 这行代码使用prefetch方法预取验证数据集的下一个批次。与训练数据集类似，这里也使用了buffer_size=AUTOTUNE来自动调整预取缓冲区的大小。
卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 ，包含了图像高度、宽度及颜色信息。不需要输入。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入的形状是 即彩色图像。我们需要在声明第一层时将形状赋值给参数。
运行结果如下：
在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：
- 损失函数（loss）：用于衡量模型在训练期间的准确率。
- 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
- 指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。
（1） from .keras.callbacks import ModelCheckpoint
这行代码导入了ModelCheckpoint类，它是Keras中用于在训练过程中保存模型权重和最佳性能的回调函数。
（2） checkpointer = ModelCheckpoint(……) 这行代码创建了一个ModelCheckpoint对象，用于在训练过程中保存模型的最佳性能。具体来说，它指定了以下参数：
'best_model.h5'：保存模型的文件名；
monitor='val_accuracy'：监控指标为验证集上的准确率；
verbose=1：在训练过程中输出详细信息；
save_best_only=True：仅保存具有最佳性能的模型；
save_weights_only=True：仅保存模型的权重，不保存整个模型结构。
（3）history = model.fit(train_ds, validation_data=val_ds, epochs=epochs, callbacks=[checkpointer]) 这行代码使用fit方法来训练模型。它传递了以下参数：
train_ds：训练数据集；
validation_data=val_ds：验证数据集；
epochs=epochs：训练轮数；
callbacks=[checkpointer]：回调函数列表，包括之前创建的checkpointer对象。
预测结果为： Monkeypox
👏觉得文章对自己有用的宝子可以收藏文章并给小编点个赞！
👏想了解更多统计学、数据分析、数据开发、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！