kaggle猫狗大战之AlexNet(一)

GY123456

证集

二、数据探索

1、数据介绍
数据包含两部分，训练集和测试集，训练集有25000张图片，测试集有12500张图片，在训练集的图片名称中包含了图片的标签信息，而测试集的图片名称代表的图片的id，提交结果的时候要求提交图片的id和预测对应图片的标签(1表示dog，0表示cat)。

2、数据探索
分析训练集中猫狗的分布情况

三、数据的准备
注意：我将展示出来的代码进行了省略，由于代码比较多，比较占空间，详细代码请参考git。

1、生成txt文件


2、将数据分为训练集和验证集

将25000张图片分为训练集和验证集，训练集占20000张图片，验证集占5000张图片，分割的时候需要注意，训练集和验证集中猫和狗所占的比例相同。

3、数据生成类


利用CPU资源来加载数据，在读取图片的时候需要将图片转为227×227，因为AlexNet要求输出图片的大小是227×227。

四、AlexNet模型构建



五、模型的训练和性能评估1、模型的训练

1、模型参数设置


train_layers设置需要重新训练的层数，在这次训练过程中，只重新训练AlexNet的最后三层全连接层，其余的层保持不变。

训练完成之后，在checkpoints会产生ckpt模型文件，每一个epoch保存一次模型文件，只有当后一个在验证集上的准确率大于前一个时才会保存模型文件，在保存模型文件的时候后面有附带该次epoch在验证集上的准确率。

2、模型评估


3、查看模型在验证集上分类正确和分类错误的图片


上面一行表示分类正确的图片，下面一行表示分类错误的图片

4、查看验证集预测结果的分布情况

5、混淆矩阵


6、验证集分类结果报告


六、提交结果

kaggle的成绩是计算预测结果的交叉熵损失值，在生成预测结果的时候，通过fc8输出的结果还需要经过一个softmax层才能输出每个类别的概率，直接使用预测类标(0或1)比预测概率的成绩会低一些。

总结：本篇文章主要介绍了如何使用AlexNet来构建一个预训练模型，在下一篇文章将会介绍如何来预训练一个更复杂的Inception-resent网络。
了解更多干货文章，关注小程序八斗问答