卷积神经网络（CNN）天气识别

朴灿烈づ我的快乐病毒、 2024-05-07 17:07 73阅读 0赞

> 活动地址：[CSDN21天学习挑战赛][CSDN21]

## ![7290044558934be8bf921969afac886f.png][] ##

### 前言 ###

--------------------

#### 1.卷积有什么用？ ####

卷积作用是为了进行**特征提取**  
因为输入的信息中可能只有**一小部分**是对我们解决问题有帮助的，这些信息比较关键，这时候只提取这部分信息就可以了。对于计算机来说，进行[特征提取][Link 1]后，需要处理的信息就急剧减少，可以极大的加快运行速度，当然这只是我认为其中比较重要的一个原因。

#### 2.卷积的计算 ####

4x4的输入矩阵 I 和 3 × 3 的卷积核 K:

*  在步长（stride）为 1 时，输出的大小为 ( 4 − 3 + 1 ) × ( 4 − 3 + 1 )

计算公式：

*  输入图片矩阵 I大小： w x w
 *  卷积核 K ： k x k
 *  步长S ：s
 *  填充大小（padding）：p

![6970369ecb004dff80220a4dabeae9bf.png][]

输出图片大小为：o x o

*  步长为2，卷积核为`3*3`，p=0的卷积情况如下：

![20210522190311447.gif][]

当卷积函数中padding='same'时，会动态调整 p 值，确保 o=w ，即保证输入与输出一致。例如：输入是 28\*28\*1 输出也为 28\*28\*1 。

*  步长为1，卷积核为`3*3`，`padding='same'`的卷积情况如下：

![在这里插入图片描述][20210522190324912.gif_pic_center]

--------------------

####  ####

### 一、读取数据 ###

使用CNN实现多云、下雨、晴、日出四种天气状态的识别。较上篇文章，本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。

#### 1.导入数据 ####

import matplotlib.pyplot as plt
    import os,PIL
    
    # 设置随机种子尽可能使结果可以重现
    import numpy as np
    np.random.seed(1)
    
    # 设置随机种子尽可能使结果可以重现
    import tensorflow as tf
    tf.random.set_seed(1)
    
    from tensorflow import keras
    from tensorflow.keras import layers,models
    
    import pathlib
    data_dir = "D:/jupyter notebook/CSDN21天学习计划/weather_photos/"
    
    data_dir = pathlib.Path(data_dir)

#### 2.查看数据 ####

可以看到图片总共为1125张。

image_count = len(list(data_dir.glob('*/*.jpg')))
    
    print("图片总数为：",image_count)
    
    #图片总数为： 1125
    
    roses = list(data_dir.glob('sunrise/*.jpg'))
    PIL.Image.open(str(roses[0]))

查看一下第一张照片

![fcc7697bc34946f38bb1d44ba78be012.png][]

### 二、数据预处理 ###

#### tf.keras.preprocessing.image\_dataset\_from\_directory() 简介 ####

参数解析：

*  **directory**: 数据所在目录。如果标签是`inferred`（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。
 *  **subset**: `training`或`validation`之一。仅在设置`validation_split`时使用。

*  **seed**: 用于shuffle和转换的可选随机种子。

*  **image\_size**: 从磁盘读取数据后将其重新调整大小。默认：`（256，256）`。由于管道处理的图像批次必须具有相同的大小，因此该参数必须提供。

*  **batch\_size**: 数据批次的大小。默认值：`32`

作用：

*  将文件夹中的数据加载到`tf.data.Dataset`中，且加载的同时会打乱数据。

--------------------

####  ####

#### 1. 加载数据 ####

使用\`image\_dataset\_from\_directory\`方法将磁盘中的数据加载到\`tf.data.Dataset\`中

batch_size = 32
    img_height = 180
    img_width = 180

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
        data_dir,
        validation_split=0.2,
        subset="training",
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)

> Found 1125 files belonging to 4 classes.Using 900 files for training.

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
        data_dir,
        validation_split=0.2,
        subset="validation",
        seed=123,
        image_size=(img_height, img_width),
        batch_size=batch_size)

> Found 1125 files belonging to 4 classes. Using 225 files for validation.

我们可以通过class\_names输出数据集的标签。标签将按字母顺序对应于目录名称。

class_names = train_ds.class_names
    print(class_names)

> \['cloudy', 'rain', 'shine', 'sunrise'\]

####  ####

#### 2. 可视化数据 ####

plt.figure(figsize=(20, 10))
    
    for images, labels in train_ds.take(1):
        for i in range(20):
            ax = plt.subplot(5, 10, i + 1)
    
            plt.imshow(images[i].numpy().astype("uint8"))
            plt.title(class_names[labels[i]])
            
            plt.axis("off")

![9a2935b9dd934112ae1b0d477a8a7212.png][]

#### 3. 再次检查数据 ####

for image_batch, labels_batch in train_ds:
        print(image_batch.shape)
        print(labels_batch.shape)
        break

> (32, 180, 180, 3)
> 
> (32,)

*  `Image_batch`是形状的张量（32,180,180,3）。这是一批形状180x180x3的32张图片（最后一维指的是彩色通道RGB）。
 *  `Label_batch`是形状（32，）的张量，这些标签对应32张图片

#### 4. 配置数据集 ####

AUTOTUNE = tf.data.AUTOTUNE
    
    train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
    val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

### 三、构建CNN神经网络模型. ###

#### tf.keras.layers.Dropout() 介绍 ####

**参数解析：**

*  **rate：**0~1之间的小数。让神经元以一定的概率rate停止工作，提高模型的泛化能力。
 *  **noise\_shape：**1D张量类型,int32表示将与输入相乘的二进制丢失掩码的形状；例如,如果您的输入具有形状(batch\_size, timesteps, features),并且你希望所有时间步长的丢失掩码相同,则可以使用noise\_shape=\[batch\_size, 1, features\]，就是哪一个是1，那么就在哪一维度按照相同的方式dropout，如果没有1就是普通的。
 *  **seed：**随机种子

**作用：**

*  防止过拟合，提高模型的泛化能力。

--------------------

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 `(image_height, image_width, color_channels)`，包含了图像高度、宽度及颜色信息。不需要输入`batch size`。color\_channels 为 (R,G,B) 分别对应 RGB 的三个颜色通道（color channel）。在此示例中，我们的 CNN 输入，fashion\_mnist 数据集中的图片，形状是 `(28, 28, 1)`即灰度图像。我们需要在声明第一层时将形状赋值给参数`input_shape`。

num_classes = 5
    
    model = models.Sequential([
        layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
        
        layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3  
        layers.AveragePooling2D((2, 2)),               # 池化层1，2*2采样
        layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
        layers.AveragePooling2D((2, 2)),               # 池化层2，2*2采样
        layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
        layers.Dropout(0.3),  
        
        layers.Flatten(),                       # Flatten层，连接卷积层与全连接层
        layers.Dense(128, activation='relu'),   # 全连接层，特征进一步提取
        layers.Dense(num_classes)               # 输出层，输出预期结果
    ])
    
    model.summary()  # 打印网络结构

![7e4a481e13694fd8a3b61fba57fcf7d6.png][]

####  ####

### 四、确定学习的目标 ###

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：

*  损失函数（loss）：用于衡量模型在训练期间的准确率。
 *  优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。
 *  指标（metrics）：用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

# 设置优化器
    opt = tf.keras.optimizers.Adam(learning_rate=0.001)
    
    model.compile(optimizer=opt,
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])

### 五：模型训练 ###

epochs = 10
    
    history = model.fit(
      train_ds,
      validation_data=val_ds,
      epochs=epochs
    )

![0dc493013a1b4227aac4d7f2b6ab10e1.png][]

### 六、模型评估 ###

#### 1.Accuracy与Loss图 ####

acc = history.history['accuracy']
    val_acc = history.history['val_accuracy']
    
    loss = history.history['loss']
    val_loss = history.history['val_loss']
    
    epochs_range = range(epochs)
    
    plt.figure(figsize=(12, 4))
    plt.subplot(1, 2, 1)
    plt.plot(epochs_range, acc, label='Training Accuracy')
    plt.plot(epochs_range, val_acc, label='Validation Accuracy')
    plt.legend(loc='lower right')
    plt.title('Training and Validation Accuracy')
    
    plt.subplot(1, 2, 2)
    plt.plot(epochs_range, loss, label='Training Loss')
    plt.plot(epochs_range, val_loss, label='Validation Loss')
    plt.legend(loc='upper right')
    plt.title('Training and Validation Loss')
    plt.show()

![f67114829965431e8b59a80f098697f8.png][]

#### 2.混淆矩阵 ####

*  Seaborn是一个画图库，它基于Matplotlib核心库进行了更高阶的API封装，可以让你轻松地画出更漂亮的图形。Seaborn的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。

from sklearn.metrics import confusion_matrix
    import seaborn as sns
    import pandas as pd
    
    # 定义一个绘制混淆矩阵图的函数
    def plot_cm(labels, predictions):
        
        # 生成混淆矩阵
        conf_numpy = confusion_matrix(labels, predictions)
        # 将矩阵转化为 DataFrame
        conf_df = pd.DataFrame(conf_numpy, index=class_names ,columns=class_names)  
        
        plt.figure(figsize=(8,7))
        
        sns.heatmap(conf_df, annot=True, fmt="d", cmap="BuPu")
        # 用黑体显示中文
        plt.rcParams['font.sans-serif'] = ['SimHei'] 
        plt.title('混淆矩阵',fontsize=15)
        plt.ylabel('真实值',fontsize=14)
        plt.xlabel('预测值',fontsize=14)
    val_pre   = []
    val_label = []
    
    for images, labels in val_ds:#这里可以取部分验证数据（.take(1)）生成混淆矩阵
        for image, label in zip(images, labels):
            # 需要给图片增加一个维度
            img_array = tf.expand_dims(image, 0) 
            # 使用模型预测图片中的人物
            prediction = model.predict(img_array)
    
            val_pre.append(class_names[np.argmax(prediction)])
            val_label.append(class_names[label])
    plot_cm(val_label, val_pre)

![ddc9c07142b84b5fb86994e911252a06.png][]

### 七、保存和加载模型 ###

# 保存模型
    model.save('model/17_model.h5')
    # 加载模型
    new_model = tf.keras.models.load_model('model/17_model.h5')

### 八、预测 ###

# 采用加载的模型（new_model）来看预测结果
    
    plt.figure(figsize=(10, 5))  # 图形的宽为10高为5
    plt.suptitle("预测结果展示")
    
    for images, labels in val_ds.take(1):
        for i in range(15):
            ax = plt.subplot(3, 5, i + 1)  
            
            # 显示图片
            plt.imshow(images[i].numpy().astype("uint8"))
            # 用黑体显示中文
            plt.rcParams['font.sans-serif'] = ['SimHei'] 
            # 需要给图片增加一个维度
            img_array = tf.expand_dims(images[i], 0) 
            
            # 使用模型预测图片中的人物
            predictions = new_model.predict(img_array)
            plt.title(class_names[np.argmax(predictions)])
    
            plt.axis("off")

![50530514b9db4efab8825dc11e175d6f.png][]

可以看到大部分预测都是准确的。

参考如下：

> >- 本文为\[?365天深度学习训练营\](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客  
> >- 参考文章地址： \[?深度学习100例-卷积神经网络（CNN）天气识别 | 第5天\](https://mtyjkh.blog.csdn.net/article/details/117186183)  
>

[CSDN21]: https://marketing.csdn.net/p/bdabfb52c5d56532133df2adc1a728fd
[7290044558934be8bf921969afac886f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/8c591fbe83b04ef2b6fec70c026da823.png
[Link 1]: https://so.csdn.net/so/search?q=%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96&spm=1001.2101.3001.7020
[6970369ecb004dff80220a4dabeae9bf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/3c487eb738384327ade6bf85f5a2a9a1.png
[20210522190311447.gif]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/cdcb6f52a9fe4c7193215632dc3432fc.gif
[20210522190324912.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/8f0b33f12ef14d79be125747ad93c490.gif
[fcc7697bc34946f38bb1d44ba78be012.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/f1110d11d1bb4c87aec35fd74cbffbfa.png
[9a2935b9dd934112ae1b0d477a8a7212.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/e73ff73e2e1c41d2b2fce1e30ea2088a.png
[7e4a481e13694fd8a3b61fba57fcf7d6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/1e0cdd5a78fa464f95719cae61554967.png
[0dc493013a1b4227aac4d7f2b6ab10e1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/5f7b16222aca4d0bb05c0ae5dfa9d100.png
[f67114829965431e8b59a80f098697f8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/38938ad1916a4ace90f922cfe929f315.png
[ddc9c07142b84b5fb86994e911252a06.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/720af071787040d5b49d76486efbb63f.png
[50530514b9db4efab8825dc11e175d6f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/2fe5c3c72f004654969973a611e8e25f.png