deeplearning学习小结（四）——卷积神经网络实现卫星图像分类

环境：jupyter notebook（tensorflow为2.0）
工作：使用卷积神经网络实现对卫星拍摄的飞机与湖泊图像的二分类
备注：数据集可在kaggle上下载，嫌麻烦的同学可以留言或私信我拿此卫星图像数据集。
简介：所使用数据集包含700张湖泊图片和700张飞机图片

---

重点来咯

---

1. 导入相关包

from tensorflow import keras
import matplotlib.pyplot as plt
%matplotlib inline
import IPython.display as display
import numpy as np
import pathlib

2. 设置目录。在这里需要提醒一点的是，加载的数据集需要以文件夹形式，不能用zip，否则会报错说找不到文件。

data_dir = '2_class/2_class'

3. 提取路径

data_root = pathlib.Path(data_dir)

4. 迭代查看一下是否正确哈

for item in data_root.iterdir():
    print(item)

输出：
2_class\2_class\airplane
2_class\2_class\lake
没毛病，继续

5. 提取所有图片成列表形式

all_image_paths = list(data_root.glob('*/*'))

6. 张数

image_count = len(all_image_paths)

7. 把面向对象变成实际路径并打乱

import random
all_image_paths = [str(path) for path in all_image_paths]
random.shuffle(all_image_paths)

8. 取出data_root所有目录并排序

label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir())
label_names

输出：
[‘airplane’, ‘lake’]

9. 将目录自动排号

label_to_index = dict((name, index) for index,name in enumerate(label_names))
label_to_index

输出：
{‘airplane’: 0, ‘lake’: 1}

10. 任取一张图得到其类别，再通过parent.name得到其编码

all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths]

11. 看下前5张图的编码

all_image_labels[:5]

输出：
[0, 1, 1, 1, 1]

12. 定义函数

def caption_image(label):
    return {
     0: 'airplane', 1: 'lake'}.get(label)

13.挑三张图看看咋样了

for n in range(3):
    image_index = random.choice(range(len(all_image_paths)))
    display.display(display.Image(all_image_paths[image_index]))
    print(caption_image(all_image_labels[image_index]))
    print()

下面对图片进行处理，
14. 定义一个预处理函数：读取图片路径，解码图片为tensor形式，转化其数据类型为float32，最后进行标准化。处理后的图片其实与原图差别不大，但是更便于计算了

def load_and_preprocess_image(path):
    image = tf.io.read_file(path)
    image = tf.image.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [256, 256])
    image = tf.cast(image, tf.float32)
    image = image/255.0  # normalize to [0,1] range
    return image

15. 把所有图片做成数据集

path_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)

16. 让他自动运算把

AUTOTUNE = tf.data.experimental.AUTOTUNE
image_ds = path_ds.map(load_and_preprocess_image, num_parallel_calls=AUTOTUNE)

17. 列表数据集

label_ds = tf.data.Dataset.from_tensor_slices(tf.cast(all_image_labels, tf.int64))
for label in label_ds.take(10):
    print(label_names[label.numpy()])

看一看，输出：
airplane
lake
lake
lake
lake
lake
airplane
airplane
airplane
lake

18. 取总数据的百分之二十为测试数据，剩下的为训练数据

image_label_ds = tf.data.Dataset.zip((image_ds, label_ds))
test_count = int(image_count*0.2)
train_count = image_count - test_count
train_data = image_label_ds.skip(test_count)
test_data = image_label_ds.take(test_count)

19. 喂32次

BATCH_SIZE = 32

20. 构建训练图片输入管道

train_data = train_data.apply(
  tf.data.experimental.shuffle_and_repeat(buffer_size=train_count))
train_data = train_data.batch(BATCH_SIZE)
train_data = train_data.prefetch(buffer_size=AUTOTUNE)

21. 测试图片

test_data = test_data.batch(BATCH_SIZE)

下面开始建立模型

22. 顺序模型

model = tf.keras.Sequential()   #顺序模型
model.add(tf.keras.layers.Conv2D(64, (3, 3), input_shape=(256, 256, 3), activation='relu'))
model.add(tf.keras.layers.Conv2D(64, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(128, (3, 3), activation='relu'))
model.add(tf.keras.layers.Conv2D(128, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(256, (3, 3), activation='relu'))
model.add(tf.keras.layers.Conv2D(256, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(512, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(512, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(1024, (3, 3), activation='relu'))
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(1024, activation='relu'))
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

23. 编译，损失函数的定义在上章博客（三）有介绍

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
)

24. 定义一下

steps_per_epoch = train_count//BATCH_SIZE
validation_steps = test_count//BATCH_SIZE

25. 使用fit训练

history = model.fit(train_data, epochs=30, steps_per_epoch=steps_per_epoch, validation_data=test_data, validation_steps=validation_steps)

使用电脑CPU的话会慢到怀疑人生，不过毕竟我不是深度学习方向的就先将就一下把呜呜

26. 最后做下可视化处理，画个图

history.history.keys()
plt.plot(history.epoch, history.history.get('acc'), label='acc')
plt.plot(history.epoch, history.history.get('val_acc'), label='val_acc')
plt.legend()

plt.plot(history.epoch, history.history.get('loss'), label='loss')
plt.plot(history.epoch, history.history.get('val_loss'), label='val_loss')
plt.legend()

图就不放了，大家可以对程序进行修改，结果肯定不一样的
上述程序取自‘日月光华TENSORFLOW2.0简明实战教程’里老师讲述的内容，买了他的课听了听然后在这里加上自己的理解写了博客，不知道那位老师叫什么名字但是他的课还是挺好的。
拜拜