摘要

在今天的報告中，我們將分析食品以預(yù)測它們是否可以食用。我們應(yīng)用最先進的 遷移學(xué)習(xí)方法和 Tensorflow 框架來構(gòu)建用于食品分類的機器學(xué)習(xí)模型。

介紹

圖像分類是機器預(yù)測圖片屬于哪個類別的工作。在深度學(xué)習(xí)開始蓬勃發(fā)展之前，圖像分類等任務(wù)無法達到人類水平。這是因為機器學(xué)習(xí)模型無法確定圖像的鄰域知識。模型只接收像素級命令。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。該模型無需個人參與即可確定從平面到高級的特征。該模型不僅接收像素級別的數(shù)據(jù)。該模型還通過稱為卷積的機制從圖像中獲取相鄰數(shù)據(jù)。卷積將通過將范圍內(nèi)的像素的編譯相乘并將它們相加為一個值來聚合鄰域數(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別的生產(chǎn)，但需要大量的數(shù)據(jù)。

如果我們沒有它們怎么辦？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，我們僅通過微調(diào)模型來準(zhǔn)備它們。我們將注意到的優(yōu)勢是模型將在一段時間內(nèi)學(xué)會。本文將幫助你練習(xí)使用 TensorFlow （Python） 進行食品圖像分類的遷移學(xué)習(xí)。因為預(yù)處理步驟是基本過程，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

我們要求做的第一步是導(dǎo)入庫。我們想要 TensorFlow、NumPy、os 和 pandas。如果你還沒有修復(fù)包，你可以應(yīng)用 pip 命令來安裝所需的庫。請注意，我命令使用的 TensorFlow 是 2．4．1 版本，因此請安裝該版本。另外，如果你希望采用 GPU 來訓(xùn)練深度學(xué)習(xí)模型，請安裝 11．0 版的 CUDA，因為該版本包含 2．4．1 版的 TensorFlow。

下面是安裝和加載所需庫的代碼。＃ ！ 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、驗證和測試數(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，每個文件夾都由圖片組成。每個圖片文件名包括類別和由下劃線分隔的標(biāo)識符。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（）