深さは小さい工事の練習のtenssorflowごみを学んで分類して詳しく解説します。

紹介する
これは深さ学習に基づくごみ分類小工程であり、深さ残差ネットワークで構築される。
ソフトウェアアーキテクチャ

は、深さ残差ネットワークreset 50を基礎として、異なる分類タスクに適応するために必要な層を追加する

を使用する。

モデルのトレーニングは、生成器でデータセットをメモリに循環的に書き込む必要があり、画像が拡張されて汎化モデル

になる。

ネットワーク出力部を含まないreset 50重みファイルを使って移動学習を行い、5つのstageの後に増加する層

だけを訓練する。
チュートリアルをインストール

に必要な第三方倉庫は主にテナントflow 1.x，ケセラA，opencv，Pillow，scikit-learn，numpy

があります。

インストール方式は簡単で、terminalを開きます。例えば、pip install numpy-ihttps://pypi.tuna.tsinghua.edu.cn/simple

データセットは、重み付けファイルと比較して大きいので、

をアップロードしていません。

環境構成に問題がある場合、またはデータセットとモデル重みファイルが必要であれば、コメントエリアであなたの問題を説明できます。
使用説明

フォルダtheoryは、今回の深さ学習で得られたノートを記録し、モデルトレーニングのコンソールと情報を印刷します。

移動学習に必要な初期重みとモデル定義ファイルreset 50.pyをmodel

に置く。

でtrinNet.pyを実行する訓練を行い、訓練が終了するとmodelsフォルダを作成し、結果の重みgarcelass.h 5をこのフォルダ

に書き込む。

datagenフォルダ下のgenit.pyは、画像前処理およびデータ生成器インターフェース

のために使用される。

訓練されたモデルを使ってゴミの分別を行い、Demo.py

を実行します。
結果のプレゼンテーション

cans缶

コード解釈
実際のモデルでは、我々は5つのステージだけを使用して、後の出力部分は自分たちでカスタマイズする必要があります。ネットワークの構造図は以下の通りです。

stage 5以降のカスタムネットワークは以下の通りです。

"""  resnet    """
def custom(input_size,num_classes,pretrain):
    #      resnet50  
    base_model = ResNet50(weights=pretrain,
                          include_top=False,
                          pooling=None,
                          input_shape=(input_size,input_size, 3),
                          classes=num_classes)
    #      ，     ，        
    for layer in base_model.layers:
        layer.trainable = False
    #      
    x = base_model.output
    x = layers.GlobalAveragePooling2D(name='avg_pool')(x)
    x = layers.Dropout(0.5,name='dropout1')(x)
    #regularizers    ，                            
    #             ，           ，             ，  l2  
    x = layers.Dense(512,activation='relu',kernel_regularizer= regularizers.l2(0.0001),name='fc2')(x)
    x = layers.BatchNormalization(name='bn_fc_01')(x)
    x = layers.Dropout(0.5,name='dropout2')(x)
    #40   
    x = layers.Dense(num_classes,activation='softmax')(x)
    model = Model(inputs=base_model.input,outputs=x)
    #    
    model.compile(optimizer="adam",loss = 'categorical_crossentropy',metrics=['accuracy'])
    return model

ネットワークの訓練は移転学習プロセスであり、既存の初期のreset 50重み（5つのstageが訓練され、畳み込み層は特徴を抽出することができます）を使って、私たちは後の全連結層部分だけを訓練し、4つのepoch後に更に後の層をトレーニングして微調整して、より高い精度を得ます。トレーニングプロセスは以下の通りです。

class Net():
    def __init__(self,img_size,gar_num,data_dir,batch_size,pretrain):
        self.img_size=img_size
        self.gar_num=gar_num
        self.data_dir=data_dir
        self.batch_size=batch_size
        self.pretrain=pretrain
    def build_train(self):
        """    """
        model = resnet.custom(self.img_size, self.gar_num, self.pretrain)
        model.summary()
        train_sequence, validation_sequence = genit.gendata(self.data_dir, self.batch_size, self.gar_num, self.img_size)
        epochs=4
        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs,verbose=1,validation_data=validation_sequence,
                                     max_queue_size=10,shuffle=True)
        #  ,      ，          ，    181 ，              ，           
        layers=149
        learning_rate=1e-4
        for layer in model.layers[:layers]:
            layer.trainable = False
        for layer in model.layers[layers:]:
            layer.trainable = True
        Adam =adam(lr=learning_rate, decay=0.0005)
        model.compile(optimizer=Adam, loss='categorical_crossentropy', metrics=['accuracy'])
        model.fit_generator(train_sequence,steps_per_epoch=len(train_sequence),epochs=epochs * 2,verbose=1,
            callbacks=[
                callbacks.ModelCheckpoint('./models/garclass.h5',monitor='val_loss', save_best_only=True, mode='min'),
                callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1,patience=10, mode='min'),
                callbacks.EarlyStopping(monitor='val_loss', patience=10),],
            validation_data=validation_sequence,max_queue_size=10,shuffle=True)
        print('finish train,look for garclass.h5')

訓練の結果は以下の通りです。
 """
    loss:0.7949-acc:0.9494-val_loss:0.9900-val_acc:0.8797
    訓練は9時間ぐらいかかりました。
 """
もっといいグラフィックスカードを使えば、トレーニングが早くできます。
最後に
深さの学習がもたらした収穫を体験して、皆さんと勉強することができますように。もっと深い学習に関する資料を教えてください。他の関連記事に注目してください。