摘要

在今天的報(bào)告中，我們將分析食品以預(yù)測(cè)它們是否可以食用。我們應(yīng)用最先進(jìn)的 遷移學(xué)習(xí)方法和 Tensorflow 框架來(lái)構(gòu)建用于食品分類的機(jī)器學(xué)習(xí)模型。

介紹

圖像分類是機(jī)器預(yù)測(cè)圖片屬于哪個(gè)類別的工作。在深度學(xué)習(xí)開始蓬勃發(fā)展之前，圖像分類等任務(wù)無(wú)法達(dá)到人類水平。這是因?yàn)闄C(jī)器學(xué)習(xí)模型無(wú)法確定圖像的鄰域知識(shí)。模型只接收像素級(jí)命令。由于深度學(xué)習(xí)的潛力，圖像分類任務(wù)可以利用被描述為卷積神經(jīng)網(wǎng)絡(luò) （CNN） 的模型來(lái)傳遞人類水平的性能。CNN 是一種研究圖像表征的深度學(xué)習(xí)模型。該模型無(wú)需個(gè)人參與即可確定從平面到高級(jí)的特征。該模型不僅接收像素級(jí)別的數(shù)據(jù)。該模型還通過(guò)稱為卷積的機(jī)制從圖像中獲取相鄰數(shù)據(jù)。卷積將通過(guò)將范圍內(nèi)的像素的編譯相乘并將它們相加為一個(gè)值來(lái)聚合鄰域數(shù)據(jù)。ML 模型將接受這些特征以將圖片分類為一組。深度學(xué)習(xí)雖然可以完成人類級(jí)別的生產(chǎn)，但需要大量的數(shù)據(jù)。

如果我們沒(méi)有它們?cè)趺崔k？我們可以應(yīng)用一種稱為遷移學(xué)習(xí)的理論。

遷移學(xué)習(xí)是一種在海量數(shù)據(jù)上為我們的查詢訓(xùn)練模型的技術(shù)。因此，我們僅通過(guò)微調(diào)模型來(lái)準(zhǔn)備它們。我們將注意到的優(yōu)勢(shì)是模型將在一段時(shí)間內(nèi)學(xué)會(huì)。本文將幫助你練習(xí)使用 TensorFlow （Python） 進(jìn)行食品圖像分類的遷移學(xué)習(xí)。因?yàn)轭A(yù)處理步驟是基本過(guò)程，我還將解釋如何將數(shù)據(jù)提供給我們的深度學(xué)習(xí)模型。

執(zhí)行

步驟1：導(dǎo)入庫(kù)

我們要求做的第一步是導(dǎo)入庫(kù)。我們想要 TensorFlow、NumPy、os 和 pandas。如果你還沒(méi)有修復(fù)包，你可以應(yīng)用 pip 命令來(lái)安裝所需的庫(kù)。請(qǐng)注意，我命令使用的 TensorFlow 是 2．4．1 版本，因此請(qǐng)安裝該版本。另外，如果你希望采用 GPU 來(lái)訓(xùn)練深度學(xué)習(xí)模型，請(qǐng)安裝 11．0 版的 CUDA，因?yàn)樵摪姹景��?2．4．1 版的 TensorFlow。

下面是安裝和加載所需庫(kù)的代碼。＃ ！ pip install tensorflow＝＝2．4．1
＃ ！ pip install pandas
＃ ！ pip install numpy
import os
import numpy as np
import pandas as pd
import tensorflow as tf

步驟2：準(zhǔn)備數(shù)據(jù)

安排好庫(kù)后，下一步是修復(fù)我們的數(shù)據(jù)集。在此示例中，我們將應(yīng)用名為Food－5K的數(shù)據(jù)集。https：／／www．kaggle．com／binhminhs10／food5k該數(shù)據(jù)集由 5000 張圖片組成，分為兩類，即食物和非食物。FOOD－5K 分為訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集。數(shù)據(jù)集文件夾的格式如下：

正如你在上面看到的，每個(gè)文件夾都由圖片組成。每個(gè)圖片文件名包括類別和由下劃線分隔的標(biāo)識(shí)符。我們需要產(chǎn)生帶有圖像文件名的列和帶有該文件夾排列的標(biāo)簽的數(shù)據(jù)框。修復(fù)數(shù)據(jù)集的代碼如下所示，def dframe（dtype）：
   X ＝ ［］
   y ＝ ［］
   path ＝ ＇Food－5K／＇ ＋ dtype ＋ ＇／＇
   for i in os．listdir（path）：
       ＃ Image
       X．a(chǎn)ppend（i）
       ＃ Label
       y．a(chǎn)ppend（i．split（＇＿＇）［0］）
   X ＝ np．a(chǎn)rray（X）
   y ＝ np．a(chǎn)rray（y）
   df ＝ pd．DataFrame（）
   df［＇filename＇］ ＝ X
   df［＇label＇］ ＝ y
   return df
df＿train ＝ dframe（＇training＇）
df＿val ＝ dframe（＇validation＇）
df＿test ＝ dframe（＇evaluation＇）
df＿train．head（）