ট্রান্সফার লার্নিং দিয়ে ফুলের শ্রেণিবিন্যাস করুন

TensorFlow.org এ দেখুন Google Colab-এ চালান GitHub এ দেখুন নোটবুক ডাউনলোড করুন TF হাব মডেল দেখুন

আপনি কি কখনও একটি সুন্দর ফুল দেখেছেন এবং ভেবে দেখেছেন এটি কী ধরনের ফুল? ঠিক আছে, আপনি প্রথম নন, তাই আসুন একটি ফটো থেকে ফুলের ধরন সনাক্ত করার একটি উপায় তৈরি করি!

চিত্র classifying জন্য গভীর স্নায়ুর নেটওয়ার্ক একটি বিশেষ ধরনের, একটি convolutional স্নায়ুর নেটওয়ার্ক নামক বিশেষ করে শক্তিশালী হতে প্রমাণিত হয়েছে। যাইহোক, আধুনিক কনভোলিউশনাল নিউরাল নেটওয়ার্কের লক্ষ লক্ষ পরামিতি রয়েছে। স্ক্র্যাচ থেকে তাদের প্রশিক্ষণের জন্য প্রচুর লেবেলযুক্ত প্রশিক্ষণ ডেটা এবং প্রচুর কম্পিউটিং শক্তি (শত শত GPU-ঘন্টা বা তার বেশি) প্রয়োজন। আমাদের কাছে মাত্র তিন হাজার লেবেলযুক্ত ফটো রয়েছে এবং আমরা অনেক কম সময় ব্যয় করতে চাই, তাই আমাদের আরও চতুর হতে হবে।

যেখানে আমরা, একটি প্রাক প্রশিক্ষিত নেটওয়ার্ক (সাধারণ চিত্র মিলিয়ন সম্পর্কে তালিম) নিতে এটি ব্যবহার বৈশিষ্ট্য বের করে আনতে আমরা একটি কৌশল বলা স্থানান্তর শেখার ব্যবহার করুন, এবং ফুলের চিত্র classifying আমাদের নিজস্ব কাজের জন্য উপরে একটি নতুন লেয়ার শেখাতে হবে।

সেটআপ

import collections
import io
import math
import os
import random
from six.moves import urllib

from IPython.display import clear_output, Image, display, HTML

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

import tensorflow_hub as hub

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn.metrics as sk_metrics
import time

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/compat/v2_compat.py:111: disable_resource_variables (from tensorflow.python.ops.variable_scope) is deprecated and will be removed in a future version.
Instructions for updating:
non-resource variables are not supported in the long term

ফুলের ডেটাসেট

ফুলের ডেটাসেটে 5টি সম্ভাব্য শ্রেণীর লেবেল সহ ফুলের ছবি রয়েছে।

একটি মেশিন লার্নিং মডেলকে প্রশিক্ষণ দেওয়ার সময়, আমরা আমাদের ডেটাকে প্রশিক্ষণ এবং পরীক্ষার ডেটাসেটে বিভক্ত করি। আমরা আমাদের প্রশিক্ষণের ডেটাতে মডেলটিকে প্রশিক্ষণ দেব এবং তারপরে মূল্যায়ন করব যে মডেলটি কখনই দেখেনি এমন ডেটাতে কতটা ভাল পারফর্ম করে - পরীক্ষার সেট।

আসুন আমাদের প্রশিক্ষণ এবং পরীক্ষার উদাহরণগুলি ডাউনলোড করি (এটি কিছু সময় লাগতে পারে) এবং সেগুলিকে ট্রেন এবং পরীক্ষার সেটে বিভক্ত করি।

নিম্নলিখিত দুটি কোষ চালান:

FLOWERS_DIR = './flower_photos'
TRAIN_FRACTION = 0.8
RANDOM_SEED = 2018


def download_images():
  """If the images aren't already downloaded, save them to FLOWERS_DIR."""
  if not os.path.exists(FLOWERS_DIR):
    DOWNLOAD_URL = 'http://download.tensorflow.org/example_images/flower_photos.tgz'
    print('Downloading flower images from %s...' % DOWNLOAD_URL)
    urllib.request.urlretrieve(DOWNLOAD_URL, 'flower_photos.tgz')
    !tar xfz flower_photos.tgz
  print('Flower photos are located in %s' % FLOWERS_DIR)


def make_train_and_test_sets():
  """Split the data into train and test sets and get the label classes."""
  train_examples, test_examples = [], []
  shuffler = random.Random(RANDOM_SEED)
  is_root = True
  for (dirname, subdirs, filenames) in tf.gfile.Walk(FLOWERS_DIR):
    # The root directory gives us the classes
    if is_root:
      subdirs = sorted(subdirs)
      classes = collections.OrderedDict(enumerate(subdirs))
      label_to_class = dict([(x, i) for i, x in enumerate(subdirs)])
      is_root = False
    # The sub directories give us the image files for training.
    else:
      filenames.sort()
      shuffler.shuffle(filenames)
      full_filenames = [os.path.join(dirname, f) for f in filenames]
      label = dirname.split('/')[-1]
      label_class = label_to_class[label]
      # An example is the image file and it's label class.
      examples = list(zip(full_filenames, [label_class] * len(filenames)))
      num_train = int(len(filenames) * TRAIN_FRACTION)
      train_examples.extend(examples[:num_train])
      test_examples.extend(examples[num_train:])

  shuffler.shuffle(train_examples)
  shuffler.shuffle(test_examples)
  return train_examples, test_examples, classes

# Download the images and split the images into train and test sets.
download_images()
TRAIN_EXAMPLES, TEST_EXAMPLES, CLASSES = make_train_and_test_sets()
NUM_CLASSES = len(CLASSES)

print('\nThe dataset has %d label classes: %s' % (NUM_CLASSES, CLASSES.values()))
print('There are %d training images' % len(TRAIN_EXAMPLES))
print('there are %d test images' % len(TEST_EXAMPLES))

Downloading flower images from http://download.tensorflow.org/example_images/flower_photos.tgz...
Flower photos are located in ./flower_photos

The dataset has 5 label classes: odict_values(['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips'])
There are 2934 training images
there are 736 test images

তথ্য অন্বেষণ

ফুলের ডেটাসেটে এমন উদাহরণ রয়েছে যা ফুলের ছবি লেবেলযুক্ত। প্রতিটি উদাহরণে একটি JPEG ফুলের ছবি এবং ক্লাস লেবেল রয়েছে: এটি কি ধরনের ফুল। আসুন তাদের লেবেল সহ কয়েকটি চিত্র একসাথে প্রদর্শন করি।

কিছু লেবেলযুক্ত ছবি দেখান

def get_label(example):
  """Get the label (number) for given example."""
  return example[1]

def get_class(example):
  """Get the class (string) of given example."""
  return CLASSES[get_label(example)]

def get_encoded_image(example):
  """Get the image data (encoded jpg) of given example."""
  image_path = example[0]
  return tf.gfile.GFile(image_path, 'rb').read()

def get_image(example):
  """Get image as np.array of pixels for given example."""
  return plt.imread(io.BytesIO(get_encoded_image(example)), format='jpg')

def display_images(images_and_classes, cols=5):
  """Display given images and their labels in a grid."""
  rows = int(math.ceil(len(images_and_classes) / cols))
  fig = plt.figure()
  fig.set_size_inches(cols * 3, rows * 3)
  for i, (image, flower_class) in enumerate(images_and_classes):
    plt.subplot(rows, cols, i + 1)
    plt.axis('off')
    plt.imshow(image)
    plt.title(flower_class)

NUM_IMAGES = 15
display_images([(get_image(example), get_class(example))
               for example in TRAIN_EXAMPLES[:NUM_IMAGES]])

png

মডেল তৈরি করুন

আমরা একটি লোড করা হবে মেমরি-হাব , ইমেজ বৈশিষ্ট্য ভেক্টর মডিউল এটি একটি রৈখিক ক্লাসিফায়ার গাদা, এবং প্রশিক্ষণ ও মূল্যায়ন অপস যোগ করুন। নিম্নলিখিত সেলটি মডেল এবং এর প্রশিক্ষণের বর্ণনা দিয়ে একটি TF গ্রাফ তৈরি করে, কিন্তু এটি প্রশিক্ষণ চালায় না (এটি পরবর্তী ধাপ হবে)।

LEARNING_RATE = 0.01

tf.reset_default_graph()

# Load a pre-trained TF-Hub module for extracting features from images. We've
# chosen this particular module for speed, but many other choices are available.
image_module = hub.Module('https://tfhub.dev/google/imagenet/mobilenet_v2_035_128/feature_vector/2')

# Preprocessing images into tensors with size expected by the image module.
encoded_images = tf.placeholder(tf.string, shape=[None])
image_size = hub.get_expected_image_size(image_module)


def decode_and_resize_image(encoded):
  decoded = tf.image.decode_jpeg(encoded, channels=3)
  decoded = tf.image.convert_image_dtype(decoded, tf.float32)
  return tf.image.resize_images(decoded, image_size)


batch_images = tf.map_fn(decode_and_resize_image, encoded_images, dtype=tf.float32)

# The image module can be applied as a function to extract feature vectors for a
# batch of images.
features = image_module(batch_images)


def create_model(features):
  """Build a model for classification from extracted features."""
  # Currently, the model is just a single linear layer. You can try to add
  # another layer, but be careful... two linear layers (when activation=None)
  # are equivalent to a single linear layer. You can create a nonlinear layer
  # like this:
  # layer = tf.layers.dense(inputs=..., units=..., activation=tf.nn.relu)
  layer = tf.layers.dense(inputs=features, units=NUM_CLASSES, activation=None)
  return layer


# For each class (kind of flower), the model outputs some real number as a score
# how much the input resembles this class. This vector of numbers is often
# called the "logits".
logits = create_model(features)
labels = tf.placeholder(tf.float32, [None, NUM_CLASSES])

# Mathematically, a good way to measure how much the predicted probabilities
# diverge from the truth is the "cross-entropy" between the two probability
# distributions. For numerical stability, this is best done directly from the
# logits, not the probabilities extracted from them.
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=labels)
cross_entropy_mean = tf.reduce_mean(cross_entropy)

# Let's add an optimizer so we can train the network.
optimizer = tf.train.GradientDescentOptimizer(learning_rate=LEARNING_RATE)
train_op = optimizer.minimize(loss=cross_entropy_mean)

# The "softmax" function transforms the logits vector into a vector of
# probabilities: non-negative numbers that sum up to one, and the i-th number
# says how likely the input comes from class i.
probabilities = tf.nn.softmax(logits)

# We choose the highest one as the predicted class.
prediction = tf.argmax(probabilities, 1)
correct_prediction = tf.equal(prediction, tf.argmax(labels, 1))

# The accuracy will allow us to eval on our test set. 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

WARNING:tensorflow:From /tmp/ipykernel_3995/2879154528.py:20: calling map_fn (from tensorflow.python.ops.map_fn) with dtype is deprecated and will be removed in a future version.
Instructions for updating:
Use fn_output_signature instead
WARNING:tensorflow:From /tmp/ipykernel_3995/2879154528.py:20: calling map_fn (from tensorflow.python.ops.map_fn) with dtype is deprecated and will be removed in a future version.
Instructions for updating:
Use fn_output_signature instead
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/ipykernel_launcher.py:34: UserWarning: `tf.layers.dense` is deprecated and will be removed in a future version. Please use `tf.keras.layers.Dense` instead.
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/legacy_tf_layers/core.py:255: UserWarning: `layer.apply` is deprecated and will be removed in a future version. Please use `layer.__call__` method instead.
  return layer.apply(inputs)

নেটওয়ার্ক প্রশিক্ষণ

এখন যেহেতু আমাদের মডেল তৈরি হয়েছে, আসুন এটিকে প্রশিক্ষিত করি এবং দেখুন এটি আমাদের পরীক্ষা সেটে কীভাবে পারফর্ম করে।

# How long will we train the network (number of batches).
NUM_TRAIN_STEPS = 100
# How many training examples we use in each step.
TRAIN_BATCH_SIZE = 10
# How often to evaluate the model performance.
EVAL_EVERY = 10

def get_batch(batch_size=None, test=False):
  """Get a random batch of examples."""
  examples = TEST_EXAMPLES if test else TRAIN_EXAMPLES
  batch_examples = random.sample(examples, batch_size) if batch_size else examples
  return batch_examples

def get_images_and_labels(batch_examples):
  images = [get_encoded_image(e) for e in batch_examples]
  one_hot_labels = [get_label_one_hot(e) for e in batch_examples]
  return images, one_hot_labels

def get_label_one_hot(example):
  """Get the one hot encoding vector for the example."""
  one_hot_vector = np.zeros(NUM_CLASSES)
  np.put(one_hot_vector, get_label(example), 1)
  return one_hot_vector

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for i in range(NUM_TRAIN_STEPS):
    # Get a random batch of training examples.
    train_batch = get_batch(batch_size=TRAIN_BATCH_SIZE)
    batch_images, batch_labels = get_images_and_labels(train_batch)
    # Run the train_op to train the model.
    train_loss, _, train_accuracy = sess.run(
        [cross_entropy_mean, train_op, accuracy],
        feed_dict={encoded_images: batch_images, labels: batch_labels})
    is_final_step = (i == (NUM_TRAIN_STEPS - 1))
    if i % EVAL_EVERY == 0 or is_final_step:
      # Get a batch of test examples.
      test_batch = get_batch(batch_size=None, test=True)
      batch_images, batch_labels = get_images_and_labels(test_batch)
      # Evaluate how well our model performs on the test set.
      test_loss, test_accuracy, test_prediction, correct_predicate = sess.run(
        [cross_entropy_mean, accuracy, prediction, correct_prediction],
        feed_dict={encoded_images: batch_images, labels: batch_labels})
      print('Test accuracy at step %s: %.2f%%' % (i, (test_accuracy * 100)))

Test accuracy at step 0: 22.01%
Test accuracy at step 10: 52.04%
Test accuracy at step 20: 63.99%
Test accuracy at step 30: 69.97%
Test accuracy at step 40: 74.59%
Test accuracy at step 50: 75.00%
Test accuracy at step 60: 75.00%
Test accuracy at step 70: 78.26%
Test accuracy at step 80: 80.98%
Test accuracy at step 90: 79.21%
Test accuracy at step 99: 80.30%

def show_confusion_matrix(test_labels, predictions):
  """Compute confusion matrix and normalize."""
  confusion = sk_metrics.confusion_matrix(
    np.argmax(test_labels, axis=1), predictions)
  confusion_normalized = confusion.astype("float") / confusion.sum(axis=1)
  axis_labels = list(CLASSES.values())
  ax = sns.heatmap(
      confusion_normalized, xticklabels=axis_labels, yticklabels=axis_labels,
      cmap='Blues', annot=True, fmt='.2f', square=True)
  plt.title("Confusion matrix")
  plt.ylabel("True label")
  plt.xlabel("Predicted label")

show_confusion_matrix(batch_labels, test_prediction)

png

ভুল ভবিষ্যদ্বাণী

আমাদের মডেল ভুল হয়েছে যে পরীক্ষার উদাহরণ একটি ঘনিষ্ঠভাবে দেখুন.

  • আমাদের পরীক্ষার সেটে কোন ভুল লেবেলযুক্ত উদাহরণ আছে?
  • পরীক্ষার সেটে কি কোনও খারাপ ডেটা আছে - যে ছবিগুলি আসলে ফুলের ছবি নয়?
  • এমন ছবি আছে যেখানে আপনি বুঝতে পারবেন কেন মডেলটি ভুল করেছে?
incorrect = [
    (example, CLASSES[prediction])
    for example, prediction, is_correct in zip(test_batch, test_prediction, correct_predicate)
    if not is_correct
]
display_images(
  [(get_image(example), "prediction: {0}\nlabel:{1}".format(incorrect_prediction, get_class(example)))
   for (example, incorrect_prediction) in incorrect[:20]])

png

ব্যায়াম: মডেল উন্নত!

আমরা একটি বেসলাইন মডেল প্রশিক্ষিত করেছি, এখন আরও সঠিকতা অর্জনের জন্য এটিকে উন্নত করার চেষ্টা করা যাক। (মনে রাখবেন যে আপনি যখন একটি পরিবর্তন করবেন তখন আপনাকে কোষগুলি পুনরায় চালাতে হবে।)

অনুশীলন 1: একটি ভিন্ন চিত্র মডেল চেষ্টা করুন.

TF-Hub এর সাথে, কয়েকটি ভিন্ন ইমেজ মডেল চেষ্টা করা সহজ। শুধু প্রতিস্থাপন "https://tfhub.dev/google/imagenet/mobilenet_v2_050_128/feature_vector/2" মধ্যে হাতল hub.Module() বিভিন্ন মডিউল একটি হ্যান্ডেল কল এবং সমস্ত কোড পুনরায় আরম্ভ করুন। আপনি সমস্ত উপলব্ধ ইমেজ মডিউল দেখতে পারেন tfhub.dev ।

একটি ভাল পছন্দ অন্যান্য একটা কারণ হতে পারে MobileNet থেকে V2 মডিউল । মডিউল অনেক - সহ MobileNet মডিউল - উপর প্রশিক্ষণ প্রদান করা হয়েছে ImageNet ডেটা সেটটি যার উপর 1 মিলিয়ন ইমেজ এবং 1000 শ্রেণীর ধারণ করে। একটি নেটওয়ার্ক আর্কিটেকচার বাছাই করা গতি এবং শ্রেণীবিভাগের নির্ভুলতার মধ্যে একটি ট্রেডঅফ প্রদান করে: MobileNet বা NASNet মোবাইলের মতো মডেলগুলি দ্রুত এবং ছোট, আরো প্রথাগত আর্কিটেকচার যেমন Inception এবং ResNet সঠিকতার জন্য ডিজাইন করা হয়েছে৷

বৃহত্তর ইনসেপশন V3 স্থাপত্য জন্য, আপনি কোনো ডোমেনে প্রাক প্রশিক্ষণ সুবিধা কাছাকাছি আপনার নিজের কাজের জন্য অন্বেষণ করতে পারবেন: এটা হিসেবে পাওয়া যায় মডিউল iNaturalist ডেটা সেটটি তালিম উদ্ভিদ এবং প্রাণীর।

ব্যায়াম 2: একটি লুকানো স্তর যোগ করুন।

নিষ্কাশিত ইমেজ বৈশিষ্ট্য এবং রৈখিক ক্লাসিফায়ার (ফাংশনে মধ্যে একটি গোপন স্তর স্ট্যাক create_model() উপরে)। 100 নোড, ব্যবহার যেমন সঙ্গে একটি অ-রৈখিক লুকানো স্তর তৈরি করতে tf.layers.dense 100 এবং সক্রিয়তা সেট সেট ইউনিট tf.nn.relu । লুকানো স্তরের আকার পরিবর্তন করা কি পরীক্ষার নির্ভুলতাকে প্রভাবিত করে? দ্বিতীয় লুকানো স্তর যোগ করা সঠিকতা উন্নত করে?

ব্যায়াম 3: হাইপারপ্যারামিটার পরিবর্তন করুন।

প্রশিক্ষণ ধাপের ক্রমবর্ধমান সংখ্যা চূড়ান্ত সঠিকতা উন্নত করে? আপনি আরো দ্রুত আপনার মডেল মিলিত করতে শেখার হার পরিবর্তন করতে পারি? প্রশিক্ষণ ব্যাচ আকার আপনার মডেল এর পারফরম্যান্সের প্রভাবিত করে?

ব্যায়াম 4: একটি ভিন্ন অপ্টিমাইজার চেষ্টা করুন.

আরো ভেজাল মেশান অপটিমাইজার, যেমন সঙ্গে মৌলিক GradientDescentOptimizer প্রতিস্থাপন AdagradOptimizer । এটা আপনার মডেল প্রশিক্ষণ একটি পার্থক্য করতে? আপনি, বিভিন্ন অপ্টিমাইজেশান আলগোরিদিম সুবিধা সম্পর্কে আরও জানতে চেক আউট করতে চান তাহলে এই পোস্টটি ।

আরো জানতে চান?

আপনি এই টিউটোরিয়াল একটি আরো উন্নত সংস্করণে আগ্রহী, খুঁজে বার করো TensorFlow ইমেজ টিউটোরিয়াল পুনরায়োজন , যা চিত্র বিকৃত, এবং ফুল প্রতিস্থাপন প্রশিক্ষণের TensorBoard ব্যবহার করে, ডেটা সেটটি বৃদ্ধি মত উন্নত প্রযুক্তি visualizing মধ্য দিয়ে নিয়ে ডেটা সেটটি একটি চিত্র ক্লাসিফায়ার শিখতে আপনার নিজস্ব ডেটাসেট।

আপনি TensorFlow সম্পর্কে আরও জানতে পারেন tensorflow.org কর এবং দেখ মেমরি-হাব API ডকুমেন্টেশন পাওয়া যাবে tensorflow.org/hub । এ উপলব্ধ TensorFlow হাব মডিউল খুঁজুন tfhub.dev আরো ইমেজ বৈশিষ্ট্য ভেক্টর মডিউল এবং টেক্সট এম্বেড মডিউল সহ।

এছাড়াও চেক আউট মেশিন লার্নিং ক্র্যাশ কোর্স যা Google এর দ্রুত বিন্যস্ত, মেশিন লার্নিং ব্যবহারিক ভূমিকা।