0
0

Keras深度学习实战——基于VGG19模型实现性别分类

Keras深度学习实战——基于VGG19模型实现性别分类

0. 前言

在《迁移学习》中，我们了解了利用迁移学习，只需要少量样本即可训练得到性能较好的模型；并基于迁移学习利用预训练的 

  1. VGG16

模型进行了性别分类的实战，进一步加深对迁移学习工作原理的理解。

1. VGG19 架构简介

本文，我们将介绍另一种常用的网络模型架构——

  1. VGG19

，并使用预训练的 

  1. VGG19

模型进行性别分类实战。

  1. VGG19

是 

  1. VGG16

的改进版本，具有更多的卷积和池化操作，

  1. VGG19

模型的体系结构如下：

  1. Model: "vgg19"
  2. _________________________________________________________________
  3. Layer (type)                 Output Shape              Param #   =================================================================
  4. input_1 (InputLayer)[(None, 256, 256, 3)]0         
  5. _________________________________________________________________
  6. block1_conv1 (Conv2D)(None, 256, 256, 64)1792      
  7. _________________________________________________________________
  8. block1_conv2 (Conv2D)(None, 256, 256, 64)36928     
  9. _________________________________________________________________
  10. block1_pool (MaxPooling2D)(None, 128, 128, 64)0         
  11. _________________________________________________________________
  12. block2_conv1 (Conv2D)(None, 128, 128, 128)73856     
  13. _________________________________________________________________
  14. block2_conv2 (Conv2D)(None, 128, 128, 128)147584    
  15. _________________________________________________________________
  16. block2_pool (MaxPooling2D)(None, 64, 64, 128)0         
  17. _________________________________________________________________
  18. block3_conv1 (Conv2D)(None, 64, 64, 256)295168    
  19. _________________________________________________________________
  20. block3_conv2 (Conv2D)(None, 64, 64, 256)590080    
  21. _________________________________________________________________
  22. block3_conv3 (Conv2D)(None, 64, 64, 256)590080    
  23. _________________________________________________________________
  24. block3_conv4 (Conv2D)(None, 64, 64, 256)590080    
  25. _________________________________________________________________
  26. block3_pool (MaxPooling2D)(None, 32, 32, 256)0         
  27. _________________________________________________________________
  28. block4_conv1 (Conv2D)(None, 32, 32, 512)1180160   
  29. _________________________________________________________________
  30. block4_conv2 (Conv2D)(None, 32, 32, 512)2359808   
  31. _________________________________________________________________
  32. block4_conv3 (Conv2D)(None, 32, 32, 512)2359808   
  33. _________________________________________________________________
  34. block4_conv4 (Conv2D)(None, 32, 32, 512)2359808   
  35. _________________________________________________________________
  36. block4_pool (MaxPooling2D)(None, 16, 16, 512)0         
  37. _________________________________________________________________
  38. block5_conv1 (Conv2D)(None, 16, 16, 512)2359808   
  39. _________________________________________________________________
  40. block5_conv2 (Conv2D)(None, 16, 16, 512)2359808   
  41. _________________________________________________________________
  42. block5_conv3 (Conv2D)(None, 16, 16, 512)2359808   
  43. _________________________________________________________________
  44. block5_conv4 (Conv2D)(None, 16, 16, 512)2359808   
  45. _________________________________________________________________
  46. block5_pool (MaxPooling2D)(None, 8, 8, 512)0=================================================================
  47. Total params: 20,024,384
  48. Trainable params: 20,024,384
  49. Non-trainable params: 0
  50. _________________________________________________________________

可以看到，上示的体系结构中具有更多的网络层以及更多的参数量。需要注意的是，

  1. VGG16

和 

  1. VGG19

体系结构中的 

  1. 16

和 

  1. 19

代表这些网络中的网络层数。

VGG19架构

将每个图像通过 

  1. VGG19

网络后，提取到 

  1. 8 x 8 x 512

输出后，该输出将成为微调模型的输入。接下来，创建输入和输出数据集，然后构建、编译和拟合模型的过程与使用基于预训练的 VGG16 模型进行性别分类的过程相同。

2. 使用预训练 VGG19 模型进行性别分类

在本节中，我们基于迁移学习使用预训练的 

  1. VGG19

模型进行性别分类。

2.1 构建输入与输出数据

首先，准备输入和输出数据，我们重用在《卷积神经网络进行性别分类》中使用的数据集以及数据加载代码：

  1. from keras.applications import VGG19
  2. from keras.applications.vgg19 import preprocess_input
  3. from glob import glob
  4. from skimage import io
  5. import cv2
  6. import numpy as np
  8. model = VGG19(include_top=False, weights='imagenet', input_shape=(256,256,3))
  10. x =[]
  11. y =[]for i in glob('man_woman/a_resized/*.jpg')[:800]:try:
  12.         image = io.imread(i)
  13.         x.append(image)
  14.         y.append(0)except:continuefor i in glob('man_woman/b_resized/*.jpg')[:800]:try:
  15.         image = io.imread(i)
  16.         x.append(image)
  17.         y.append(1)except:continue
  19. x_vgg19 =[]for i inrange(len(x)):
  20.     img = x[i]
  21.     img = preprocess_input(img.reshape((1,256,256,3)))
  22.     img_feature = model.predict(img)
  23.     x_vgg19.append(img_feature)

将输入和输出转换为其相应的数组，并创建训练和测试数据集：

  1. x_vgg19 = np.array(x_vgg19)
  2. x_vgg19 = x_vgg19.reshape(x_vgg19.shape[0], x_vgg19.shape[2], x_vgg19.shape[3], x_vgg19.shape[4])
  3. y = np.array(y)from sklearn.model_selection import train_test_split
  4. x_train, x_test, y_train, y_test = train_test_split(x_vgg19, y, test_size=0.2)

2.2 模型构建与训练

构建微调模型：

  1. from keras.models import Sequential
  2. from keras.layers import Conv2D, MaxPooling2D, Flatten, Dropout, Dense
  3. model_fine_tuning = Sequential()
  4. model_fine_tuning.add(Conv2D(512, 
  5.                         kernel_size=(3,3),
  6.                         activation='relu',
  7.                         input_shape=(x_train.shape[1], x_train.shape[2], x_train.shape[3])))
  8. model_fine_tuning.add(MaxPooling2D(pool_size=(2,2)))
  9. model_fine_tuning.add(Flatten())
  10. model_fine_tuning.add(Dense(1024, activation='relu'))
  11. model_fine_tuning.add(Dropout(0.6))
  12. model_fine_tuning.add(Dense(1, activation='sigmoid'))
  13. model_fine_tuning.summary()

该模型架构的简要信息输入如下：

  1. Model: "sequential"
  2. _________________________________________________________________
  3. Layer (type)                 Output Shape              Param #   =================================================================
  4. conv2d (Conv2D)(None, 6, 6, 512)2359808   
  5. _________________________________________________________________
  6. max_pooling2d (MaxPooling2D)(None, 3, 3, 512)0         
  7. _________________________________________________________________
  8. flatten (Flatten)(None, 4608)0         
  9. _________________________________________________________________
  10. dense (Dense)(None, 1024)4719616   
  11. _________________________________________________________________
  12. dropout (Dropout)(None, 1024)0         
  13. _________________________________________________________________
  14. dense_1 (Dense)(None, 1)1025=================================================================
  15. Total params: 7,080,449
  16. Trainable params: 7,080,449
  17. Non-trainable params: 0
  18. _________________________________________________________________

接下来，编译并拟合模型：

  1. model_fine_tuning.compile(loss='binary_crossentropy',optimizer='adam',metrics=['acc'])
  3. history = model_fine_tuning.fit(x_train, y_train,
  4.                                     batch_size=32,
  5.                                     epochs=20,
  6.                                     verbose=1,
  7.                                     validation_data =(x_test, y_test))

最后，我们绘制在训练期间，模型在训练和测试数据集的损失和准确率的变化。可以看到，当我们使用 

  1. VGG19

架构时，能够在测试数据集上达到约 

  1. 95％

的准确率，结果与使用 

  1. VGG16

架构时的性能相似：

模型训练过程监测

2.3 模型错误分类示例

一些错误分类的图像示例如下：

  1. x = np.array(x)from sklearn.model_selection import train_test_split
  2. x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
  4. x_test_vgg19 =[]for i inrange(len(x_test)):
  5.     img = x_test[i]
  6.     img = preprocess_input(img.reshape((1,256,256,3)))
  7.     img_feature = model.predict(img)
  8.     x_test_vgg19.append(img_feature)
  10. x_test_vgg19 = np.array(x_test_vgg19)
  11. x_test_vgg19 = x_test_vgg19.reshape(x_test_vgg19.shape[0], x_test_vgg19.shape[2], x_test_vgg19.shape[3], x_test_vgg19.shape[4])
  12. y_pred = model_fine_tuning.predict(x_test_vgg19)
  13. wrong = np.argsort(np.abs(y_pred.flatten()-y_test))print(wrong)
  15. y_test_char = np.where(y_test==0,'M','F')
  16. y_pred_char = np.where(y_pred>0.5,'F','M')
  18. plt.subplot(221)
  19. plt.imshow(x_test[wrong[-1]])
  20. plt.title('Actual: '+str(y_test_char[wrong[-1]])+', '+'Predicted: '+str((y_pred_char[wrong[-1]][0])))
  21. plt.subplot(222)
  22. plt.imshow(x_test[wrong[-2]])
  23. plt.title('Actual: '+str(y_test_char[wrong[-2]])+', '+'Predicted: '+str((y_pred_char[wrong[-2]][0])))
  24. plt.subplot(223)
  25. plt.imshow(x_test[wrong[-3]])
  26. plt.title('Actual: '+str(y_test_char[wrong[-3]])+', '+'Predicted: '+str((y_pred_char[wrong[-3]][0])))
  27. plt.subplot(224)
  28. plt.imshow(x_test[wrong[-4]])
  29. plt.title('Actual: '+str(y_test_char[wrong[-4]])+', '+'Predicted: '+str((y_pred_char[wrong[-4]][0])))
  30. plt.show()

错误分类示例

从图中，可以看出，

  1. VGG19

类似于 

  1. VGG16

除了由于人物在图像中占据的空间较小造成错误分类外，倾向于根据头发来判断人物究竟是男性还是女性。

相关链接

Keras深度学习实战（7）——卷积神经网络详解与实现
Keras深度学习实战（9）——卷积神经网络的局限性
Keras深度学习实战（10）——迁移学习
Keras深度学习实战——使用卷积神经网络实现性别分类

标签： 深度学习 keras 分类
本文转载自: https://blog.csdn.net/LOVEmy134611/article/details/125509499
版权归原作者 盼小辉丶 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Keras深度学习实战——基于VGG19模型实现性别分类”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？