01目錄CONTENTS創(chuàng)建Dataset對象02數(shù)據(jù)預(yù)處理03創(chuàng)建模型04網(wǎng)絡(luò)訓(xùn)練和測試創(chuàng)建Dataset對象1Part創(chuàng)建Dataset對象已知：通過load_data函數(shù)返回images、labels和編碼表信息用images、labels構(gòu)建Dataset對象

數(shù)據(jù)集的隨機打散、預(yù)處理和批量化操作

數(shù)據(jù)預(yù)處理2Partmap(preprocess)函數(shù)完成數(shù)據(jù)的預(yù)處理工作由于目前images列表只是保存了所有圖片的路徑信息，而不是圖片的內(nèi)容張量，需要在預(yù)處理函數(shù)中完成圖片的讀取以及張量轉(zhuǎn)換等工作。標(biāo)準(zhǔn)化后的數(shù)據(jù)適合網(wǎng)絡(luò)的訓(xùn)練及預(yù)測，但是在進行可視化時，需要將數(shù)據(jù)映射回0~1的范圍。標(biāo)準(zhǔn)化和標(biāo)準(zhǔn)化的逆過程defnormalize(x,mean=img_mean,std=img_std)defdenormalize(x,mean=img_mean,std=img_std):上述方法分別創(chuàng)建訓(xùn)練集、驗證集和測試集的Dataset對象。一般來說，驗證集和測試集并不直接參與網(wǎng)絡(luò)參數(shù)的優(yōu)化，不需要隨機打散樣本次序。創(chuàng)建模型3Part構(gòu)建模型使用DenseNet121模型來創(chuàng)建網(wǎng)絡(luò)，將DenseNetl21去掉最后一層，并根據(jù)自定義數(shù)據(jù)集的類別數(shù)，添加一個輸出節(jié)點數(shù)為5的全連接層，通過Sequential容器重新包裹成新的網(wǎng)絡(luò)模型。構(gòu)建模型

在keras.applications模塊中實現(xiàn)了常用的網(wǎng)絡(luò)模型，如VGG系列、ResNet系列、DenseNet系列、MobileNet系列等，只需要一行代碼即可創(chuàng)建這些模型網(wǎng)絡(luò)。

include_top=False表明去掉最后的全連接層，pooling='max'表示DenseNet121最后一個Pooling層設(shè)計為MaxPolling網(wǎng)絡(luò)訓(xùn)練與測試4Part網(wǎng)絡(luò)訓(xùn)練與測試直接使用Keras提供的Compile&Fit方式裝配并訓(xùn)練網(wǎng)絡(luò)，優(yōu)化器采用最常用的Adam優(yōu)化器，誤差函數(shù)采用交叉熵損失函數(shù)，并設(shè)置from_logits=True，在訓(xùn)練過程中關(guān)注的測量指標(biāo)為準(zhǔn)確率。2.通過fit函數(shù)在訓(xùn)練集上面訓(xùn)練模型，每迭代一個Epoch測試一次驗證集，最大訓(xùn)練Epoch數(shù)為100，為了防止過擬合，采用了EarlyStopping技術(shù)，在fit函數(shù)的callbacks參數(shù)中傳人EarlyStopping類實例。early_stopping為標(biāo)準(zhǔn)的EarlyStopping類，它監(jiān)聽的指標(biāo)是驗證集準(zhǔn)確率，如果連續(xù)3次驗證集的測量結(jié)果沒有