Update app.py

app.py

@@ -12,7 +12,8 @@ from tensorflow.keras.applications.resnet_v2 import preprocess_input
 from tensorflow.keras.preprocessing.image import load_img, img_to_array
 
 # 金門具有代表性的栗喉蜂虎、藍孔雀、戴勝、鱟及歐亞水獺五種物種。我們來挑戰五種類別總共用五十張照片, 看能不能打造一個神經網路學會辨識這五種類別。
-# 讀入栗喉蜂虎、藍孔雀、戴勝、鱟及歐亞水獺資料圖檔
+
+# 1. 讀入栗喉蜂虎、藍孔雀、戴勝、鱟及歐亞水獺資料圖檔
 image_folders = ['Merops_philippinus', 'pavo_cristatus', 'Upupa_epops', 'King_Crab', 'otter']
 
 # 為了後面的需要，我們將五種類別照片的答案用 `labels` 呈現
@@ -22,30 +23,71 @@ num_classes = len(labels)
 
 base_dir = './classify_image/'
 
-# thedir = base_dir + image_folders[0]
-# os.listdir(thedir)
-
-# data = []
-# target = []
-# for i in range(5):
-#     thedir = base_dir + image_folders[i]
-#     image_fnames = os.listdir(thedir)
-#     for theimage in image_fnames:
-#         if theimage == ".git" or theimage == ".ipynb_checkpoints":
-#           continue
-#         img_path = thedir + '/' + theimage
-#         img = load_img(img_path , target_size = (256,256))
-#         x = img_to_array(img)
-#         data.append(x)
-#         target.append(i)
-
-# 載入並檢視訓練完成的模型。
+thedir = base_dir + image_folders[0]
+os.listdir(thedir)
+
+data = []
+target = []
+for i in range(5):
+    thedir = base_dir + image_folders[i]
+    image_fnames = os.listdir(thedir)
+    for theimage in image_fnames:
+        if theimage == ".git" or theimage == ".ipynb_checkpoints":
+          continue
+        img_path = thedir + '/' + theimage
+        img = load_img(img_path , target_size = (256,256))
+        x = img_to_array(img)
+        data.append(x)
+        target.append(i)
+
+# 2. 針對資料圖檔使用 ResNet 進行預處理
+x_train = preprocess_input(data)
+
+y_train = to_categorical(target, num_classes)
+
+# 3. 用 ResNet50 打造我們的神經網路
+resnet = ResNet50V2(include_top=False, pooling="avg")    
+
+# 再來就是正式打造我們遷移學習版的函數學習機! 可以發現我們只是加入了最後
+model = Sequential()
+model.add(resnet)
+model.add(Dense(5, activation='softmax')) # 這裡的 5 表示，輸出結果為 5 個類別
+
+# 我們是遷移式學習, 原本 ResNet 的部份我們當然沒有重新訓練的意思。於是就設這邊不需要訓練。
+resnet.trainable = False
 
+# 欣賞我們的神經網路
+model.summary()
+
+# 組裝我們的函數學習機
+# 這裡我們用分類時非常標準的 categorical_crossentropy, 順便試試有名的 adam 學習法，當然也可以試試 sgd 看效果如何。
+
+model.compile(loss='categorical_crossentropy',
+              optimizer='adam',
+              metrics=['accuracy'])
+
+# 我們可以發現原來有超過兩千萬個參數, 經我們借來以後, 只有 1,0245 個參數要調。
+
+# 4. 訓練 fit
+# 這裡我們全部的資料也只有 50 筆, 所以 batch_size 就選擇 25 了，同時訓練的回合數設定為 10 回合
+model.fit(x_train, y_train, batch_size=25, epochs=10)
+
+# 5. 預測
+# 我們先用 model.evaluate 看一下模型表現得如何
+loss, acc = model.evaluate(x_train, y_train)
+print(f"Loss: {loss}")
+print(f"Accuracy: {acc}")
+
+# 6. 將訓練完成的模型儲存起來，可供日後直接略過訓練直接載入訓練完成的模型進行辨識。
+model.save('my_cnn_model.h5')
+
+# 7. 載入並檢視訓練完成的模型。
 model = load_model('my_cnn_model.h5') # Loading the Tensorflow Saved Model (PB)
 print(model.summary())
 
-# 注意現在主函數做辨識只有五個種類。而且是使用我們自行訓練的 model!
+# 8. 用 gradio 打造栗喉蜂虎、藍孔雀、戴勝、鱟及歐亞水獺辨識 Web App!
 
+# 注意現在主函數做辨識只有五個種類。而且是使用我們自行訓練的 model!
 def classify_image(inp):
     inp = inp.reshape((-1, 256, 256, 3))
     inp = preprocess_input(inp)
@@ -66,8 +108,7 @@ for i in range(num_classes):
           continue
         sample_images.append(base_dir + image_folders[i] + '/' + file)
 
-# 最後，將所有東西組裝在一起，就大功告成了！
-        
+# 最後，將所有東西組裝在一起，就大功告成了！        
 iface = gr.Interface(fn=classify_image,
              inputs=image,
              outputs=label,