第五十四回 高太尉大兴三路兵 呼延灼摆布连环马-AI通过构建并训练CNN网络来进行飞机识别

呼延灼举荐了百胜将韩滔和天目将彭玘做先锋。

两军对战，韩滔和秦明斗二十回合，呼延灼与林冲斗在一起，花荣与彭玘斗在一处，后彭玘与一丈青扈三娘斗在一起，被扈三娘抓住。

尽管梁山占优，宋江也没有乘胜追击，因为呼延灼带的是连环马，马带马甲，人披铁铠，射箭都不顶用。打完后，宋江亲自给彭玘解绑，送到大寨。

第二天呼延灼又列出连环马冲杀，宋江被李逵护着逃到水边，被李俊、张横、张顺、三阮接到战船上才逃脱。小兵折损大半，幸好头领们都还在。山下的四间酒店也被官兵拆了。大家一点办法也没有，晁盖只好下令严防死守。宋江不肯上山，亲自坐镇鸭嘴滩。

宋江很多事还是亲历亲为的，怪不得大家都服他！ 人工智能，也需要亲自实践一下才行！

AI通过构建并训练CNN网络来进行飞机识别

在星河社区2019年的培训课程中，有一节课程是通过构建并训练CNN网络来进行飞机识别。课程中有一项作业，是通过各种方法增加准确率。这门课程主要面向初学者，所以增加准确率的方法主要是调整神经网络的深度和channel值，方法很简单，但是确实非常有助于初学者对神经网络的理解。

项目地址：7天入门深度学习 d2 作业飞机识别 - 飞桨AI Studio星河社区

直接点击，然后fork执行即可。

网络结构如图：

因为需要飞桨1.6.2环境和相关数据集，所以下面的代码只能展示：

# 导入依赖包
import sys
import numpy as np

# import lr_utils
import matplotlib.pyplot as plt
import paddle
import paddle.fluid as fluid

%matplotlib inline

# 加载数据, 并展示一张，由于数据图片较小，所以显示出来比较模糊
train_set_x_orig=np.load("data/data1589/traindata.npy")
train_set_y=np.load("data/data1589/trainlabel.npy")
test_set_x_orig=np.load("data/data1589/testdata.npy")
test_set_y=np.load("data/data1589/testlabel.npy")
plt.imshow(train_set_x_orig[2])
plt.show()

# 输出数据集的信息
m_train=train_set_x_orig.shape[0]
m_test=test_set_x_orig.shape[0]
num_px=train_set_x_orig.shape[1]

print ("训练样本数: m_train = " + str(m_train))
print ("测试样本数: m_test = " + str(m_test))
print ("图片高度/宽度: num_px = " + str(num_px))
print ("图片大小: (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("train_set_x shape: " + str(train_set_x_orig.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x shape: " + str(test_set_x_orig.shape))
print ("test_set_y shape: " + str(test_set_y.shape))

###因为paddlepaddle认识的数据是3*l*h的，所以需要进行数据格式转换
train_set_x = np.array(train_set_x_orig).reshape(m_train, 3, num_px, num_px).astype(np.float32)
train_set_y = np.array(train_set_y).reshape(m_train, 1).astype(np.float32)
test_set_x = np.array(test_set_x_orig).reshape(m_test, 3, num_px, num_px).astype(np.float32)
test_set_y = np.array(test_set_y).reshape(m_test, 1).astype(np.float32)

#归一化
train_set_x=train_set_x/ 255.0 * 2.0 - 1.0

test_set_x=test_set_x/ 255.0 * 2.0 - 1.0

# 读取训练数据或测试数据
def read_data(train_set_x,train_set_y,buffer_size):
 
    def reader():
     
        for i in range(buffer_size):            
            yield train_set_x[i,:], int(train_set_y[i])            
    return reader

def convolutional_neural_network():
    """
    定义卷积神经网络分类器：
        输入的二维图像，经过两个卷积-池化层，使用以softmax为激活函数的全连接层作为输出层
    Args:
        img -- 输入的原始图像数据
    Return:
        predict -- 分类的结果
    """
    img = fluid.layers.data(
        name='img', shape =[3,32,32],dtype = 'float32')
    #多加了一个卷积池化层，最后加了drop，以提高准确率，降低过拟合
#    droped = fluid.layers.dropout(img,dropout_prob=1)
    #第一个卷积层
    
#     hidden = fluid.nets.simple_img_conv_pool(input, num_filters, filter_size, pool_size, pool_stride, pool_padding=0)
    hidden=fluid.nets.simple_img_conv_pool(
    input=img,
        num_filters=250,
        filter_size=9,
        pool_size=1,
        pool_stride=1,
        pool_padding=0
    )
    #（50 10 5 1 0）
    #第二个卷积层
#    drop1 = fluid.layers.dropout(hidden,dropout_prob=0.2)
    
    h2=fluid.nets.simple_img_conv_pool(
    input=hidden,
        num_filters=150,
        filter_size=5,
        pool_size=1,
        pool_stride=1,
        pool_padding=0
    )
    h3=fluid.nets.simple_img_conv_pool(
    input=h2,
        num_filters=150,
        filter_size=3,
        pool_size=2,
        pool_stride=1,
        pool_padding=0
    )
    
    
#（50 3 2 1 0）
    drop1 = fluid.layers.dropout(h3,dropout_prob=0.3)

#     predict = fluid.layers.fc(h2,size=1,act='sigmoid')
    predict = fluid.layers.fc(drop1,size=2,act='softmax') #softmax

    return predict 

#配置网络结构
def train_func():
    
    label = fluid.layers.data(name='label', shape = [1],dtype = 'int64')
    predict = convolutional_neural_network()

    # 损失函数，cross_entropy 函数内部使用交叉熵损失函数
    cost = fluid.layers.cross_entropy(input=predict, label=label)
    avg_cost = fluid.layers.mean(cost)
    return avg_cost

def optimizer_func():
    # 创建Momentum优化器，并设置学习率(learning_rate)、动量(momentum)
    optimizer=fluid.optimizer.Momentum(learning_rate=0.0001,momentum=0.5)
    #optimizer=fluid.optimizer.Adam(learning_rate=0.001,momentum=0.5)
    return optimizer

feed_order = ['img', 'label']     #数据格式
params_dirname = "./DNN_model"    #模型保存路径

# 事件处理函数
from paddle.utils.plot import Ploter
from  paddle.fluid.contrib.trainer import EndStepEvent
train_title = "Train cost"
test_title = "Test cost"
plot_cost = Ploter(train_title, test_title)

step = 0
def event_handler_plot(event):
    global step
    if isinstance(event, EndStepEvent):
        if event.step % 2 == 0: # 若干个batch,记录cost
            if event.metrics[0] < 10:
                plot_cost.append(train_title, step, event.metrics[0])
                plot_cost.plot()
        if event.step % 20 == 0: # 若干个batch,记录cost
            test_metrics = trainer.test(
            reader=test_reader, feed_order=feed_order)
            if test_metrics[0] < 10:
                plot_cost.append(test_title, step, test_metrics[0])
                plot_cost.plot()

#             if test_metrics[0] < 1.0:
#                 # 如果准确率达到阈值，则停止训练
#                 print('loss is less than 10.0, stop')
#                 trainer.stop()
            if test_metrics[0] < 0.001:
                 # 如果准确率达到阈值，则停止训练
                print('loss is less than 10.0, stop')
                trainer.stop()

        # 将参数存储，用于预测使用
        if params_dirname is not None:
            trainer.save_params(params_dirname )
    step += 1

#训练所用到的具体数据
#主要是增加了训练量，从209提高到5800

BATCH_SIZE=128
# 设置训练reader
train_reader = paddle.batch(
    paddle.reader.shuffle(
        read_data(train_set_x,train_set_y,buffer_size=5880), #buff原来是209
        buf_size=50),#buf原来是50
    batch_size=BATCH_SIZE)
# 设置测试reader
test_reader = paddle.batch(
    paddle.reader.shuffle(
        read_data(test_set_x,test_set_y,buffer_size=2000), 
        buf_size=20),#buf原来是20
    batch_size=BATCH_SIZE)

#创建训练器
from  paddle.fluid.contrib.trainer import Trainer
trainer= Trainer(
    train_func= train_func,
    place= place,
    optimizer_func= optimizer_func )

#开始训练
trainer.train(
    reader=train_reader,
    num_epochs=60 ,#num 30
    event_handler=event_handler_plot,
    feed_order= feed_order )

from  paddle.fluid.contrib.inferencer import Inferencer
inferencer = Inferencer(
    infer_func=convolutional_neural_network, param_path=params_dirname, place=place)

#取出一个 mini-batch
for mini_batch in test_reader(): 
    # 转化为 numpy 的 ndarray 结构，并且设置数据类型
    test_x = np.array([data[0] for data in mini_batch]).astype("float32")
    test_y = np.array([data[1] for data in mini_batch]).astype("int64")
    # 真实进行预测
    mini_batch_result = inferencer.infer({'img': test_x})
    
    result=(mini_batch_result[0][:,-1]>0.5)+0   #True or False 转0/1，直接后面+0即可
    
    
    # 打印预测结果
#     mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列,
    
   
    ###经过分析，这是多分类问题会用到的函数，找出概率值最大的下标
    
    
#     mini_batch_result = mini_batch_result[0][:, -1]  #把这些列标拿出来

    print('预测结果：%s'%result)
    
    # 打印真实结果    
    label = np.array(test_y) # 转化为 label
    print('真实结果：%s'%label)
    break 


# 查看百分比
def right_ratio(right_counter, total):
    ratio = float(right_counter)/total
    return ratio

# 评估函数 data_set 是一个reader
def evl(data_set):
    total = 0    #操作的元素的总数
    right_counter = 0  #正确的元素

    pass_num = 0
#     print(liruoyi)
    for mini_batch in data_set():
        pass_num += 1
        #预测
        test_x = np.array([data[0] for data in mini_batch]).astype("float32")
        test_y = np.array([data[1] for data in mini_batch]).astype("int64")
        mini_batch_result = inferencer.infer({'img': test_x})
        
        mini_batch_result=(mini_batch_result[0][:,-1]>0.5)+0   #True or False 转0/1，直接后面+0即可
        
        #预测的结果
       # mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列
       # mini_batch_result = mini_batch_result[0][:, -1]+0  #把这些列标拿出来

         #print('预测结果：%s'%result)

        label = np.array(test_y) # 转化为 label
         # print('真实结果：%s'%label)

        #计数
        label_len = len(label)
        total += label_len
        for i in range(label_len):
            if mini_batch_result[i] == label[i]:
                right_counter += 1

    ratio = right_ratio(right_counter, total)
    return ratio


ratio = evl(train_reader)
print('训练数据的正确率 %0.2f%%'%(ratio*100))

ratio = evl(test_reader)
print('预测数据的正确率 %0.2f%%'%(ratio*100))

提高准确率的方法就是改变卷积的大小和深度。比如原来的卷积大小是10和5 ，深度是两层，最终试出来的卷积大小是9、5和3，深度是三层。这也是为什么有人问某某模型为什么参数是xxx，我会回答“作者试出来”的原因，因为理论只是指导，最终大多数模型的参数都是通过实践试出来的，哪个最好，论文里就写哪个。

大家也可以去修改试试。当然卷积网络还需要注意最终全连接层的参数对应，这个在实践中特别容易出问题，多练练就好了。

呼延灼从东京汴梁请来了轰天雷凌振。凌振的炮威力很大，晁盖派了水路六个头领去捉拿凌振，把他也请上了山。

大家商量破连环马的计策，金钱豹子汤隆说我有一个计策。需要一个兵器和我的一个哥哥，可以破连环马。

欲知后事如何，且听下回分解。文章来源地址https://www.toymoban.com/news/detail-842683.html

到了这里，关于第五十四回 高太尉大兴三路兵 呼延灼摆布连环马-AI通过构建并训练CNN网络来进行飞机识别的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！