基于Keras、DenseNet模型微调、参数冻结、数据增强、模型训练、模型验证全流程记录（模型微调开发全流程记录）_keras densenet 第五 层 输出

基于DeneNet,使用keras搭建模型，用imagenet的权重进行预训练。densenet169的layers数量未595，冻结模型前593，增加一个2分类的dense层，使用图片训练。

本篇仅对模型的训练和调整步骤进行记录。对超参数的调整以及相关问题，请看后续文章。

https://blog.csdn.net/Labiod/article/details/105296184

微调模型、冻结参数

对模型进行微调之前，需要先对模型的整体框架进行一个了解。微调的层数为整个网络框架的最后的全连接层。这里使用plot_model()函数，显示出框架内的整体结构：

from keras.utils import plot_model
 
plot_model(model, to_file='../ModelImage/DenseNet169.jpg', show_shapes=True)  # 使用Keras的自带库显示框架结构

修改前的模型（只截取末端的几层）：

对这个模型做微调。使用基于denseNet在imageNet预训练好的权重。

步骤如下：

选取取消头部全连接层的模型作为基模型 --》 添加新的全连接层并将其与之前层连接起来 --》 冻结相应预训练参数模型 —》对新的模型进行complie

代码如下：

 base_model = DenseNet169(include_top=False, weights='imagenet', input_shape=(IN_WIDTH,INT_HEIGHT, 3))
    # dinclude_top=False 表示取消模型顶部的全连接层
    # weights='imagenet' 表示使用预训练的权重
 
 model = add_new_last_layer(base_model, 2)
    # 设置新的全连接层，并将其与之前的层数连接起来
 
 for layer in model.layers[:595]:   # DenseNet169需要冻结前595层
    layer.trainable = False   # 冻结模型全连接层之前的参数
 
model.compile(optimizer=SGD(lr=learning_rate, momentum=0.9), loss=[mycrossentropy()], metrics=['accuracy'])
    # 对模型进行新的编译 ，同时设定优化器、learning rate等参数    

连接全连接层与base_model代码add_new_last_layer()如下：

def add_new_last_layer(base_model, nb_classes, drop_rate=0.):
 
    """Add last layer to the convnet
    Args:
        base_model: keras model excluding top
        nb_classes: # of classes
    Returns:
        new keras model with last layer
    """
    x = base_model.output  
    x = Dropout(0.5)(x)   # 添加dropout层
    x = GlobalAveragePooling2D()(x)   # 添加Pooling层
    predictions = Dense(nb_classes, activation='softmax')(x)  # 添加softmax层
    model = Model(inputs=base_model.input, outputs=predictions)  # 这一步将微调后模型的卷积层和新的softmax层连接起来
    return model

修改后的模型(仅保存后边几层)：

 

数据增强

微调好的模型，训练数据的数量过少，使用数据增强对数据集进行扩充。

使用keras数据增强：

导入库：

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array

 设置增强方式：

datagen = ImageDataGenerator(
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range = 0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode="nearst"
)

对路径下的OK路径下的数据进行增强：

for img in img_OK:
    img = image.load_img(img)
    x = image.img_to_array(img)  # 把PIL图像转换成一个numpy数组，形状为(3, 150, 150)
    x = x.reshape((1,) + x.shape)  # 这是一个numpy数组，形状为 (1, 3, 150, 150)
 
    # 下面是生产图片的代码
    # 生产的所有图片保存在 `save_to_dir` 目录下
    i = 0
    for batch in datagen.flow(x, batch_size=32,
                              save_to_dir='../data/DataEnhancement/OK', save_prefix='mask', save_format='jpg'):
 
        i += 1
        print("batch_OK： {} is in the {}", img, i)
        if i > 50:
            break  # 否则生成器会退出循环

完成数据增强后，就可以得图像在各维度上变换后的数据集了。

 

训练模型

设置keras训练参数

#######################################
# 在训练的时候置为1
from keras import backend as K
K.set_learning_phase(1)
#######################################

使用数据生成器生成训练集和验证集：

这里给出训练集生成器代码，验证集生成器原理类似。

 train_generator = train_datagen.flow_from_directory(
      
        directory = TRAIN_DIR,  # 数据路径
        target_size = (IN_WIDTH, INT_HEIGHT),  # 图片大小
        batch_size=BATCH_SIZE,  # batch_size 一次训练所选取的样本数，
     
        class_mode='categorical',
        seed=2018,  # 设置seed的作用可以使随机数据可以预测，即只要seed的值一样，后续生成随机数都是一样的。
       
        interpolation='box',  # PIL默认插值下采样的时候会模糊
        # 使用PIL调整图像的大小
    )

使用model.fit_generator()来实现模型训练：

这一步里需要传入之前生成的训练、测试集等条件， 具体参数值，根据自己需要设定。

model.fit_generator(
        # 当数据集比较难处理，比如，太大而无法放入内存，要求进行增强以对抗过拟合。
        train_generator,  # fit_generator必需要传入一个生成器，我们的训练数据也是通过生成器产生的
        steps_per_epoch = 1*(train_generator.samples // BATCH_SIZE + 1),
        # 用BATCH_SIZE将原数据转换为steps_per_epoch。从generator产生的步骤的总数（样本批次总数）。
        # 通常情况下，应该等于数据集的样本数量除以批量的大小。
        epochs = EPOCHS,  # 整数，在数据集上迭代的总数
        max_queue_size = 10,  #  迭代器最大队列数，默认为10
        workers = 1,  # 在使用基于进程的线程时，最多需要启动的进程数量。
        verbose = 1,  # 日志显示开关。0代表不输出日志，1代表输出进度条记录，2代表每轮输出一行记录
        validation_data = valid_generator, # 导入验证集数据
        validation_steps = valid_generator.samples // BATCH_SIZE, 
        callbacks = callbacks  # 回调函数
        )

注意这里还需要使用keras里的回调函数（callbacks）来配置一些其它的训练策略：

使用get_callbackes传递callbacks，具体参数值，根据自己需要设定。

callbacks = get_callbacks(filepath=save_model_path, patience=3)
# filepath:保存模型文件的路径
# patience:停止增长后训练的epoch数

get_callbackes（）函数中，调用部分keras的函数方法代码如下。
具体参数值，根据自己需要设定。

def get_callbacks(filepath, patience=2):
    lr_reduce = ReduceLROnPlateau(monitor='val_accuracy', factor=0.1, epsilon=1e-5, patience=patience, verbose=1, min_lr = 0.00001)
    # 该回调函数检测patience数量，如果没有看到epoch的“patience”数量的改善，那么学习率就会降低。
  
    msave = ModelCheckpoint(filepath, monitor='val_acc', save_best_only=False)
    # 该回调函数将在每个epoch后保存模型到filepath
    # save_best_only：当设置为True时，将只保存在验证集上性能最好的模型
    earlystop = EarlyStopping(monitor='val_accuracy', min_delta=0, patience=patience*3+2, verbose=1, mode='auto')
    # 早停法是一种广泛被使用的降低过拟合的方法
    
    return [lr_reduce, msave, earlystop]

ReduceLROnPlateau()函数，当验证集精度在一定周期里不再上涨时，降低学习率。

ModelCheckpoint()函数，当检测的验证集精度达到最高时，保存模型。

EarlyStopping()函数，当验证集精度在一定周期内不再上涨后，就停止训练，防止过拟合。

最终将各种策略的返回值，传递给callback,由之前的model.fit_generator()机制，实现模型训练过程中的一些小tricks，使训练过程尽量避免泛化不足、过拟和等问题。

验证模型

 

验证模型代码如下：

def predict(weights_path, IN_SIZE):
    '''
    对测试数据进行预测
    '''
 
    IN_WIDTH = IN_SIZE
    INT_HEIGHT = IN_SIZE
    K.set_learning_phase(0)
    # 函数返回值，决定当前模型是在训练模式下，还是测试模式下。变量 1：训练模式， 0： 测试模式
 
    test_pic_root_path = '../data/data2/test'
 
    filename = []
    probability = []  # 可能性
 
    # 1#得到模型
    model = get_model(IN_SIZE)  # 这个步骤最终会加载预训练好的DenseNet169
    model.load_weights(weights_path)
 
    # 2#预测
    for parent,_,files in os.walk(test_pic_root_path):
        # os.walk返回遍历的目录地址。不包括子目录
        # parent是指返回这个遍历本身的路径； _ （list）,该文件夹中所有目录的名字；files(list)，该文件夹中的所有文件
        for line in files:
 
            pic_path = os.path.join(test_pic_root_path, line.strip())
 
            ori_img = cv2.imread(pic_path)
 
            img = load_img(pic_path, target_size=(INT_HEIGHT, IN_WIDTH, 3), interpolation='box')
            img = img_to_array(img)
            # img_to_array()不管是2D shape还是3D shape image，返回都是3D Numpy array.
            img = preprocess_input(img)
            # keras中 preprocess_input() 函数完成数据预处理的工作，数据预处理能够提高算法的运行效果。
            # 常用的预处理包括数据归一化和白化（whitening）。
            img = np.expand_dims(img, axis=0)
            # np.expand_dims(img, axis=0)表示再0位置增加数据
 
            prediction = model.predict(img)[0] 
            index = list(prediction).index(np.max(prediction))  # index()函数用于从列表中找出某个值第一个匹配项的索引位置
            pro = list(prediction)[0]   # bad对应的概率大小,因为bad是在index为0的位置
            pro = round(pro, 5)  # 将数字四舍五入为仅两个小数
            if pro == 0:
                pro = 0.00001
            if pro == 1:
                pro = 0.99999
 
            # 存入list
            filename.append(line.strip())  # Python strip() 方法用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列。
            probability.append(pro)
            
    #3#写入csv
    res_path = "../submit/submit_"+datetime.datetime.now().strftime('%Y%m%d_%H%M%S') + ".csv"
    dataframe = pd.DataFrame({'filename': filename, 'probability': probability})
    dataframe.to_csv(res_path, index=False, header=True)

到这一步基本可以完成一个完整的训练过程。源码将在后续进一步整理后更新。在调试过程中出现的一系列问题也将在后续更新。

 最终,在main（）里，设置好相关路径、调用训练、验证模块，设置好超参数等信息，即可运行代码，完成训练。

训练使用环境

环境： VScode

tensorflow-gpu 2.0.0

keras  2.3.1

cuda 10.1

GPU驱动 Driver Version: 418.87.00