（三）微调VGG16以对服装进行分类

目录

介绍

训练VGG16

在新图像上评估VGG16

下一步

• 下载源 - 120.7 MB

介绍

DeepFashion等数据集的可用性为时尚行业开辟了新的可能性。在本系列文章中，我们将展示一个人工智能驱动的深度学习系统，它可以帮助我们更好地了解客户的需求，从而彻底改变时装设计行业。

在这个项目中，我们将使用：

• Jupyter Notebook作为IDE
• 库：
  • TensorFlow 2.0
  • NumPy
  • MatplotLib
• DeepFashion数据集的自定义子集——相对较小以减少计算和内存开销

我们假设您熟悉深度学习的概念，以及Jupyter Notebooks和TensorFlow。如果您是Jupyter Notebooks的新手，请从本教程开始。欢迎您下载项目代码。

在上一篇文章中，我们向您展示了如何加载DeepFashion数据集，以及如何重构VGG16模型以适应我们的服装分类任务。在本文中，我们将训练VGG16对15种不同的服装类别进行分类并评估模型性能。

训练VGG16

VGG16的迁移学习首先冻结通过在ImageNet等大型数据集上训练模型而获得的模型权重。这些学习到的权重和过滤器为网络提供了强大的特征提取能力，这将有助于我们在训练对服装类别进行分类时提高其性能。因此，只训练全连接 (FC) 层，同时保持模型的特征提取部分几乎冻结（通过设置非常低的学习率，如0.001）。让我们通过将特征提取层设置为False来冻结特征提取层：

for layer in conv_model.layers:
    layer.trainable = False

现在，我们可以在选择学习率 (0.001) 和优化器 (Adamax) 的同时编译我们的模型：

full_model.compile(loss='categorical_crossentropy',
                  optimizer=keras.optimizers.Adamax(lr=0.001),
                  metrics=['acc'])

编译后，我们可以使用fit_generator函数开始模型训练，因为我们曾经使用ImageDataGenerator加载我们的数据。我们将分别使用train_dataset和val_dataset表示的数据训练和验证我们的网络。我们将训练三个时期，但这个数字可以根据网络性能增加。

history = full_model.fit_generator(
    train_dataset, 
    validation_data = val_dataset,
    workers=0,
    epochs=3,
)

运行上面的代码将产生以下输出：

现在，为了绘制网络的学习和损失曲线，让我们添加plot_history函数：

def plot_history(history, yrange):
    '''Plot loss and accuracy as a function of the epoch,
    for the training and validation datasets.
    '''
    acc = history.history['acc']
    val_acc = history.history['val_acc']
    loss = history.history['loss']
    val_loss = history.history['val_loss']

    # Get number of epochs
    epochs = range(len(acc))

    # Plot training and validation accuracy per epoch
    plt.plot(epochs, acc)
    plt.plot(epochs, val_acc)
    plt.title('Training and validation accuracy')
    plt.ylim(yrange)
    
    # Plot training and validation loss per epoch
    plt.figure()

    plt.plot(epochs, loss)
    plt.plot(epochs, val_loss)
    plt.title('Training and validation loss')
    
    plt.show()
    
plot_history(history, yrange=(0.9,1))

此函数将生成以下两个图：

在新图像上评估VGG16

我们的网络在训练期间表现良好。因此，在它以前从未见过的衣服图像上进行测试时，它也应该表现良好，对吧？我们将在我们的测试图像集上对其进行测试。

首先，让我们加载测试集，然后使用该model.evaluate函数将测试图像传递给模型以测量网络精度。

from tensorflow.keras.preprocessing.image import ImageDataGenerator
test_dir=r'C:\Users\abdul\Desktop\ContentLab\P2\DeepFashion\Test'
test_datagen = ImageDataGenerator()

test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=3, class_mode='categorical')
# X_test, y_test = next(test_generator)

Testresults = full_model.evaluate(test_generator)
print("test loss, test acc:", Testresults)

好吧，很明显我们的网络训练有素。没有过拟合：它在测试集上达到了92%的准确率。

下一步

在接下来的文章中，我们将使用VGG19由手机相机拍摄的实际图像评估。敬请关注！

https://www.codeproject.com/Articles/5297327/Fine-tuning-VGG16-to-Classify-Clothing