Upload 6 files

.gitattributes

@@ -32,3 +32,5 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+Архитектура[[:space:]]сети[[:space:]]Xception.png filter=lfs diff=lfs merge=lfs -text
+Результат[[:space:]]тестовой[[:space:]]классификации.png filter=lfs diff=lfs merge=lfs -text

FlowerNet.py

@@ -0,0 +1,181 @@
+import tensorflow as tf
+import tensorflow_datasets as tfds
+import os
+import numpy as np
+import matplotlib.pyplot as plt
+from tensorflow.keras import regularizers
+
+assert 'COLAB_TPU_ADDR' in os.environ, 'Missin TPU?'
+if('COLAB_TPU_ADDR') in os.environ:
+  TF_MASTER = 'grpc://{}'.format(os.environ['COLAB_TPU_ADDR'])
+else:
+  TF_MASTER = ''
+tpu_address = TF_MASTER
+
+
+resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu_address)
+tf.config.experimental_connect_to_cluster(resolver)
+tf.tpu.experimental.initialize_tpu_system(resolver)
+
+strategy = tf.distribute.TPUStrategy(resolver)
+
+
+def create_model():
+  return tf.keras.Sequential([
+        tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)),
+        tf.keras.layers.MaxPooling2D((2, 2)),
+        tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
+        tf.keras.layers.MaxPooling2D((2, 2)),
+        tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
+        tf.keras.layers.MaxPooling2D((2, 2)),
+        tf.keras.layers.Conv2D(256, (3, 3), activation='relu', kernel_regularizer=regularizers.l2(0.001)),
+        tf.keras.layers.MaxPooling2D((2, 2)),
+        tf.keras.layers.Flatten(),
+        tf.keras.layers.Dense(512, activation='relu', kernel_regularizer=regularizers.l2(0.001)),
+        tf.keras.layers.Dropout(0.5),
+        tf.keras.layers.Dense(256, activation='relu', kernel_regularizer=regularizers.l2(0.001)),
+        tf.keras.layers.Dropout(0.5),
+        tf.keras.layers.Dense(5, activation='softmax')# всего пять классов цветов
+        
+  ])
+
+
+def get_train_and_val_dataset(batch_size, is_training=True):
+    if(is_training):
+        dataset, info = tfds.load(name='tf_flowers',
+                                  split='train[:80%]', 
+                                  with_info = True,
+                                  as_supervised=True,
+                                  try_gcs=True)
+    else:
+        dataset, info = tfds.load(name='tf_flowers',
+                                  split='train[80%:90%]', 
+                                  with_info = True,
+                                  as_supervised=True,
+                                  try_gcs=True)
+    
+    def scale(image, label):
+        image = tf.cast(image, tf.float32)
+        image = tf.image.resize(image, [224, 224]) # изменение всех изображений на вход до (None, 224, 224)
+        image /= 255.0 # Нормализация
+        return image, label
+    
+    dataset = dataset.map(scale)
+    
+    if is_training:
+        dataset = dataset.shuffle(2936)#Перемешивание обучающей выборки
+        dataset = dataset.repeat()
+        
+    dataset = dataset.batch(batch_size)
+    return dataset
+
+def get_final_dataset(batch_size):
+    dataset, info = tfds.load(name='tf_flowers',
+                                  split='train[90%:]', 
+                                  with_info = True,
+                                  as_supervised=True,
+                                  try_gcs=True)
+    def scale(image, label):
+        image = tf.cast(image, tf.float32)
+        image = tf.image.resize(image, [224, 224]) # изменение всех изображений на вход до (None, 224, 224)
+        image /= 255.0 # Нормализация
+        return image, label  
+    dataset = dataset.map(scale)
+    
+    #dataset = dataset.shuffle(2936)#Перемешивание обучающей выборки
+    #dataset = dataset.repeat()
+        
+    dataset = dataset.batch(batch_size)
+    return dataset
+
+
+def create_xception_model(input_shape=(224, 224, 3), num_classes=5):
+    #Загрузка предварительно обученной модели Xception без головной части
+    base_model = tf.keras.applications.Xception(include_top=False, input_shape=input_shape)
+
+    #Добавление головной части
+    x = base_model.output
+    x = tf.keras.layers.GlobalAveragePooling2D()(x)
+    x = tf.keras.layers.Dense(1024, activation='relu')(x)
+    x = tf.keras.layers.Dropout(0.5)(x)
+    x = tf.keras.layers.Dense(num_classes, activation='softmax')(x)
+
+    #Объединение предварительно обученной модели и головной части в единую модель
+    model = tf.keras.models.Model(inputs=base_model.input, outputs=x)
+
+    #Заморозка слоев предварительно обученной модели
+    for layer in base_model.layers:
+        layer.trainable = False
+
+    return model
+
+batch_size = 1024 #Размер пакета
+epochs = 1000 #Количество эпох, на тензорных процессорах можно делать много проверок
+execution_steps = 1000 #Количество шагов перед обновлением весов
+#Загрузка и создание обучающей и проверочной(валидационной) выборки
+train_dataset = get_train_and_val_dataset(batch_size, True)
+validation_dataset = get_train_and_val_dataset(batch_size, False)
+steps_per_epoch = 2936 // batch_size
+validation_steps = len(validation_dataset) // batch_size
+
+
+with strategy.scope():
+    xmodel = create_xception_model()
+    xmodel.compile(optimizer='adagrad', steps_per_execution=execution_steps, loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=['sparse_categorical_accuracy'])
+    x_history = xmodel.fit(train_dataset, epochs=epochs, steps_per_epoch=steps_per_epoch, validation_data=validation_dataset)
+
+
+#Переменные для графика
+acc = x_history.history['sparse_categorical_accuracy']
+val_acc = x_history.history['val_sparse_categorical_accuracy']
+loss = x_history.history['loss']
+val_loss = x_history.history['val_loss']
+epochs_range = range(epochs)
+
+
+#График при помощи matplotlib
+plt.figure(figsize=(15, 15))
+plt.subplot(2, 2, 1)
+plt.plot(epochs_range, acc, label='Тренировочная точность')
+plt.plot(epochs_range, val_acc, label='Валидационная точность')
+plt.legend(loc='lower right')
+plt.title('Тренировочная и валидационная точность')
+
+plt.subplot(2, 2, 2)
+plt.plot(epochs_range, loss, label='Тренировочная потеря')
+plt.plot(epochs_range, val_loss, label='Валидационная потеря')
+plt.legend(loc='upper right')
+plt.title('Тренировочная и валидационная точность')
+plt.show()
+
+
+#всего три выборки: тренировочная(train_dataset), валидационная(validation_dataset) и тестовая(test_dataset)
+#тренировочная 0:80 
+#валидационная 80:90
+#тестовая 90:100
+test_dataset = get_final_dataset(batch_size)
+test_images, test_labels = next(iter(test_dataset.take(10)))
+#Можно использоать информацию о классах из info, но мне нужно было перевести названия классов и их не слишком много, поэтому я решил их инициализировать. Если количество классов большое, например их 100 или больше, то лучше обращаться к ним через info.
+class_names = ['Одуванчик', 'Ромашка', 'Тюльпаны', 'Подсолнухи', 'Розы']
+
+test_loss, test_accuracy = xmodel.evaluate(test_dataset)
+print('Test loss: {}, Test accuracy: {}'.format(test_loss, test_accuracy))
+
+# Получение предсказаний нейросети для 10 изображений
+predictions = xmodel.predict(test_images)
+
+fig, axes = plt.subplots(nrows=2, ncols=5, figsize=(15, 6),
+                         subplot_kw={'xticks': [], 'yticks': []})
+for i, ax in enumerate(axes.flat):
+    # Отображение изображения
+    ax.imshow(test_images[i])
+    # Отображение меток и предсказаний
+    true_label = class_names[test_labels[i]]
+    pred_label = class_names[np.argmax(predictions[i])]
+    if true_label == pred_label:
+        ax.set_title("Это: {}, ИИ: {}".format(true_label, pred_label), color='green')
+    else:
+        ax.set_title("Это: {}, ИИ: {}".format(true_label, pred_label), color='red')
+
+plt.tight_layout()
+plt.show()