• 运行环境：python3
• 作者：K同学啊
• 选自专栏：《深度学习100例》
• 推荐专栏：《新手入门深度学习》
• 精选专栏：《Matplotlib教程》
• 优秀专栏：《Python入门100题》

文章目录

• 一、前期工作
• • 1.设置GPU
  • 2.导入数据
  • 3.数据可视化
  • 4.标签数字化
• 二、构建一个tf.data.Dataset
• • 1.预处理函数
  • 2.加载数据
  • 3.配置数据
• 三、搭建网络模型
• 四、设置动态学习率
• 五、编译
• 六、训练
• 七、模型评估
• 八、保存和加载模型
• 九、预测

一、前期工作 我的环境：

• 语言环境：Python3.6.5
• 编译器：jupyter notebook
• 深度学习环境：TensorFlow2.4.1
• 数据和代码：【传送门】

来自专栏：《深度学习100例》
往期精彩：

1. 深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天
2. 深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天
3. 深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天
4. 深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天
5. 深度学习100例-卷积神经网络（CNN）天气识别 | 第5天
6. 深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天
7. 深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天
8. 深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 | 第8天
9. 深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天
10. 深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天
11. 深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天
12. 手把手教你用 CNN 识别验证码 - 深度学习100例 | 第12天
13. 深度学习100例 - 卷积神经网络（Inception V3）识别手语 | 第13天
14. 这也太强了吧，我用它识别交通标志，准确率竟然高达97.9% | 第14天

如果你还是一名小白，可以看看我这个专门为你写的专栏：《小白入门深度学习》，帮助零基础的你入门深度学习。
1.设置GPU 如果使用的是CPU可以注释掉这部分的代码，不影响运行。

import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus: tf.config.experimental.set_memory_growth(gpus[0], True)#设置GPU显存用量按需使用 tf.config.set_visible_devices([gpus[0]],"GPU")

2.导入数据

import matplotlib.pyplot as plt # 支持中文 plt.rcParams['font.sans-serif'] = ['SimHei']# 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False# 用来正常显示负号import os,PIL,random,pathlib# 设置随机种子尽可能使结果可以重现 import numpy as np np.random.seed(1)# 设置随机种子尽可能使结果可以重现 import tensorflow as tf tf.random.set_seed(1)

data_dir = "D:/jupyter notebook/DL-100-days/datasets/015_licence_plate" data_dir = pathlib.Path(data_dir)pictures_paths = list(data_dir.glob('*')) pictures_paths = [str(path) for path in pictures_paths] pictures_paths[:3]

['D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000000_藏WP66B0.jpg', 'D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000001_津D8Z15T.jpg', 'D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000002_陕Z813VB.jpg']

image_count = len(list(pictures_paths))print("图片总数为：",image_count)

图片总数为： 619

# 获取数据标签 all_label_names = [path.split("_")[-1].split(".")[0] for path in pictures_paths] all_label_names[:3]

['藏WP66B0', '津D8Z15T', '陕Z813VB']

3.数据可视化

plt.figure(figsize=(10,5)) plt.suptitle("数据示例",fontsize=15)for i in range(20): plt.subplot(5,4,i+1) plt.xticks([]) plt.yticks([]) plt.grid(False)# 显示图片 images = plt.imread(pictures_paths[i]) plt.imshow(images) # 显示标签 plt.xlabel(all_label_names[i],fontsize=13)plt.show()

文章图片

4.标签数字化

char_enum = ["京","沪","津","渝","冀","晋","蒙","辽","吉","黑","苏","浙","皖","闽","赣","鲁",\ "豫","鄂","湘","粤","桂","琼","川","贵","云","藏","陕","甘","青","宁","新","军","使"]number= [str(i) for i in range(0, 10)]# 0 到 9 的数字 alphabet = [chr(i) for i in range(65, 91)]# A 到 Z 的字母char_set= char_enum + number + alphabet char_set_len= len(char_set) label_name_len = len(all_label_names[0])# 将字符串数字化 def text2vec(text): vector = np.zeros([label_name_len, char_set_len]) for i, c in enumerate(text): idx = char_set.index(c) vector[i][idx] = 1.0 return vectorall_labels = [text2vec(i) for i in all_label_names]

二、构建一个tf.data.Dataset 1.预处理函数

def preprocess_image(image): image = tf.image.decode_jpeg(image, channels=1) image = tf.image.resize(image, [50, 200]) return image/255.0def load_and_preprocess_image(path): image = tf.io.read_file(path) return preprocess_image(image)

2.加载数据 构建 tf.data.Dataset 最简单的方法就是使用 from_tensor_slices 方法。

AUTOTUNE = tf.data.experimental.AUTOTUNEpath_ds= tf.data.Dataset.from_tensor_slices(pictures_paths) image_ds = path_ds.map(load_and_preprocess_image, num_parallel_calls=AUTOTUNE) label_ds = tf.data.Dataset.from_tensor_slices(all_labels)image_label_ds = tf.data.Dataset.zip((image_ds, label_ds)) image_label_ds

train_ds = image_label_ds.take(5000).shuffle(5000)# 前5000个batch val_ds= image_label_ds.skip(5000).shuffle(1000)# 跳过前5000，选取后面的

3.配置数据 先复习一下prefetch()函数。prefetch()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。prefetch()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prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

文章图片

使用prefetch()可显著减少空闲时间：

文章图片

BATCH_SIZE = 16train_ds = train_ds.batch(BATCH_SIZE) train_ds = train_ds.prefetch(buffer_size=AUTOTUNE)val_ds = val_ds.batch(BATCH_SIZE) val_ds = val_ds.prefetch(buffer_size=AUTOTUNE) val_ds

三、搭建网络模型 目前这里主要是带大家跑通代码、整理一下思路，大家可以自行优化网络结构、调整模型参数。后续我也会针对性的出一些调优的案例的。

from tensorflow.keras import datasets, layers, modelsmodel = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(50, 200, 1)),#卷积层1，卷积核3*3 layers.MaxPooling2D((2, 2)),#池化层1，2*2采样 layers.Conv2D(64, (3, 3), activation='relu'),#卷积层2，卷积核3*3 layers.MaxPooling2D((2, 2)),#池化层2，2*2采样layers.Flatten(),#Flatten层，连接卷积层与全连接层 #layers.Dense(1000, activation='relu'),#全连接层，特征进一步提取 layers.Dense(1000, activation='relu'),#全连接层，特征进一步提取 #layers.Dropout(0.2), layers.Dense(label_name_len * char_set_len), layers.Reshape([label_name_len, char_set_len]), layers.Softmax()#输出层，输出预期结果 ]) # 打印网络结构 model.summary()

Model: "sequential" _________________________________________________________________ Layer (type)Output ShapeParam # ================================================================= conv2d (Conv2D)(None, 48, 198, 32)320 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 24, 99, 32)0 _________________________________________________________________ conv2d_1 (Conv2D)(None, 22, 97, 64)18496 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 11, 48, 64)0 _________________________________________________________________ flatten (Flatten)(None, 33792)0 _________________________________________________________________ dense (Dense)(None, 1000)33793000 _________________________________________________________________ dense_1 (Dense)(None, 483)483483 _________________________________________________________________ reshape (Reshape)(None, 7, 69)0 _________________________________________________________________ softmax (Softmax)(None, 7, 69)0 ================================================================= Total params: 34,295,299 Trainable params: 34,295,299 Non-trainable params: 0 _________________________________________________________________

四、设置动态学习率 这里先罗列一下学习率大与学习率小的优缺点。

• 学习率大
  
  • 优点：1、加快学习速率。2、有助于跳出局部最优值。
  • 缺点：1、导致模型训练不收敛。2、单单使用大学习率容易导致模型不精确。
• 学习率小
  
  • 优点：1、有助于模型收敛、模型细化。2、提高模型精度。
  • 缺点：1、很难跳出局部最优值。2、收敛缓慢。

注意：这里设置的动态学习率为：指数衰减型（ExponentialDecay）。在每一个epoch开始前，学习率（learning_rate）都将会重置为初始学习率（initial_learning_rate），然后再重新开始衰减。计算公式如下：

learning_rate = initial_learning_rate * decay_rate ^ (step / decay_steps)

# 设置初始学习率 initial_learning_rate = 1e-3lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay( initial_learning_rate, decay_steps=20,# 敲黑板！！！这里是指 steps，不是指epochs decay_rate=0.96,# lr经过一次衰减就会变成 decay_rate*lr staircase=True)# 将指数衰减学习率送入优化器 optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

五、编译

model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])

六、训练

epochs = 50history = model.fit( train_ds, validation_data=https://www.it610.com/article/val_ds, epochs=epochs )

文章图片

七、模型评估

acc = history.history['accuracy'] val_acc = history.history['val_accuracy']loss = history.history['loss'] val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1)plt.plot(epochs_range, acc, label='Training Accuracy') plt.plot(epochs_range, val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, label='Training Loss') plt.plot(epochs_range, val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show()

文章图片

八、保存和加载模型

# 保存模型 model.save('model/15_model.h5')

# 加载模型 new_model = tf.keras.models.load_model('model/15_model.h5')

九、预测

def vec2text(vec): """ 还原标签（向量->字符串） """ text = [] for i, c in enumerate(vec): text.append(char_set[c]) return "".join(text)plt.figure(figsize=(10, 8))# 图形的宽为10高为8for images, labels in val_ds.take(1): for i in range(6): ax = plt.subplot(5, 2, i + 1) # 显示图片 plt.imshow(images[i])# 需要给图片增加一个维度 img_array = tf.expand_dims(images[i], 0) # 使用模型预测验证码 predictions = model.predict(img_array) plt.title(vec2text(np.argmax(predictions, axis=2)[0]),fontsize=15)plt.axis("off")

文章图片

往期精彩：

1. 深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天
2. 深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天
3. 深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天
4. 深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天
5. 深度学习100例-卷积神经网络（CNN）天气识别 | 第5天
6. 深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天
7. 深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天
8. 深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 | 第8天
9. 深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天
10. 深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天
11. 深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天
12. 手把手教你用 CNN 识别验证码 - 深度学习100例 | 第12天
13. 深度学习100例 - 卷积神经网络（Inception V3）识别手语 | 第13天
14. 这也太强了吧，我用它识别交通标志，准确率竟然高达97.9% | 第14天

来自专栏：《深度学习100例》
关注、点赞、收藏，送我上热搜，谢谢大家啦！
最后再送大家一本，帮助大家拿到 BAT 等一线大厂 offer 的数据结构刷题笔记，是谷歌和阿里的大佬写的，对于算法薄弱或者需要提高的同学都十分受用（提取码：9go2 ）：
谷歌和阿里大佬的Leetcode刷题笔记
以及我整理的7K+本开源电子书，总有一本可以帮到你 （提取码：4eg0）
【深度学习100例|深度学习100例 - 卷积神经网络（CNN）实现车牌识别 | 第15天】7K+本开源电子书

推荐阅读

• 

  魅蓝6t怎么查看耗电应用_魅蓝6t查看耗电应用方法教程
• 

  讲一下九大行星有哪些
• 

  传说中的根治腹水的秘方偏方可不可信？
• 

  踏青的唯美句子简短精辟 踏青的唯美句子简短
• 

  神鹰帝国未删减版烧书阁 神鹰帝国翠微居
• 

  转氨酶偏高|转氨酶偏高一定是肝脏有问题吗？为你全面总结各种可能原因
• 

  m710q，魅蓝m710q手机多少钱
• 

  粗虚线代表什么意思，那图纸上虚线代表什么意思
• 

  钣金cae分析,CAe分析
• 

  床单多长时间换洗一次 洗床单哪些事项是要注意的
• 

  突发！上海突然宣布重磅政策 刚刚上海突然宣布大消息
• 

  东风橘根的功效与作用
• 

  花牛苹果变粉后苦味
• 

  怎样查询网上小额贷款 ?如何查询网上小额贷款 ?
• 

  只打一针的新冠疫苗多久产生抗体
• 

  童诗——树画圈记年
• 

  怎么防止盗号 帐号被盗怎么盗回来
• 

  天气太热不想做饭，试试这5道面食，简单好吃又开胃，省力吃得好
• 

  面对不要脸的老赖,应该怎么办？
• 

  青菜胡萝卜面条煮吃的营养

• 人工智能|全连接层的算力计算方式
• 机器学习|pytorch 数据预处理（填充、随机裁剪、随机遮挡、随机左右翻转）
• 人工智能|在自定义数据集上训练YOLOX
• 读论文|【读论文】基于改进特征金字塔的无监督光流估计
• 算法|一举打败16个同类模型，视频超分比赛冠军算法入选CVPR 2022，来自商汤&南洋理工大学...
• 人工智能|聊一聊MNN在端智能生态中的应用
• 深度学习自学笔记|深度学习+pytorch自学笔记（四）——softmax回归
• 动手学Pytorch|[Pytorch]＜动手学深度学习＞pytorch笔记-----SoftMax回归
• 算法|基于pytorch手动实现softmax回归