• 🔗 运行环境：python3
• 🚩 作者：K同学啊
• 🥇 选自专栏：《深度学习100例》
• 🔥 推荐专栏：《新手入门深度学习》
• 📚 精选专栏：《Matplotlib教程》
• 🧿 优秀专栏：《Python入门100题》

---

文章目录

• 一、前期工作
• • 1.设置GPU
  • 2.导入数据
  • 3.数据可视化
  • 4.标签数字化
• 二、构建一个tf.data.Dataset
• • 1.预处理函数
  • 2.加载数据
  • 3.配置数据
• 三、搭建网络模型
• 四、设置动态学习率
• 五、编译
• 六、训练
• 七、模型评估
• 八、保存和加载模型
• 九、预测

一、前期工作

🚩 我的环境：

• 语言环境：Python3.6.5
• 编译器：jupyter notebook
• 深度学习环境：TensorFlow2.4.1
• 数据和代码：📌【传送门】

🚩 来自专栏：《深度学习100例》

🚩 往期精彩：

深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天

深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天

深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天

深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天

深度学习100例-卷积神经网络（CNN）天气识别 | 第5天

深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天

深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天

深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 | 第8天

深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天

深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天

深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天

手把手教你用 CNN 识别验证码 - 深度学习100例 | 第12天

深度学习100例 - 卷积神经网络（Inception V3）识别手语 | 第13天

这也太强了吧，我用它识别交通标志，准确率竟然高达97.9% | 第14天

如果你还是一名小白，可以看看我这个专门为你写的专栏：《小白入门深度学习》，帮助零基础的你入门深度学习。

1.设置GPU

如果使用的是CPU可以注释掉这部分的代码，不影响运行。

import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus:tf.config.experimental.set_memory_growth(gpus[0], True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpus[0]],"GPU")

2.导入数据

import matplotlib.pyplot as plt # 支持中文 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号import os,PIL,random,pathlib# 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) data_dir = "D:/jupyter notebook/DL-100-days/datasets/015_licence_plate" data_dir = pathlib.Path(data_dir)pictures_paths = list(data_dir.glob('*')) pictures_paths = [str(path) for path in pictures_paths] pictures_paths[:3] ['D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000000_藏WP66B0.jpg','D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000001_津D8Z15T.jpg','D:\\jupyter notebook\\DL-100-days\\datasets\\015_licence_plate\\000000002_陕Z813VB.jpg'] image_count = len(list(pictures_paths))print("图片总数为：",image_count) 图片总数为： 619 # 获取数据标签 all_label_names = [path.split("_")[-1].split(".")[0] for path in pictures_paths] all_label_names[:3] ['藏WP66B0', '津D8Z15T', '陕Z813VB']

3.数据可视化

plt.figure(figsize=(10,5)) plt.suptitle("数据示例",fontsize=15)for i in range(20):plt.subplot(5,4,i+1)plt.xticks([])plt.yticks([])plt.grid(False)# 显示图片images = plt.imread(pictures_paths[i])plt.imshow(images)# 显示标签plt.xlabel(all_label_names[i],fontsize=13)plt.show()

4.标签数字化

char_enum = ["京","沪","津","渝","冀","晋","蒙","辽","吉","黑","苏","浙","皖","闽","赣","鲁",\"豫","鄂","湘","粤","桂","琼","川","贵","云","藏","陕","甘","青","宁","新","军","使"]number = [str(i) for i in range(0, 10)] # 0 到 9 的数字 alphabet = [chr(i) for i in range(65, 91)] # A 到 Z 的字母char_set = char_enum + number + alphabet char_set_len = len(char_set) label_name_len = len(all_label_names[0])# 将字符串数字化 def text2vec(text):vector = np.zeros([label_name_len, char_set_len])for i, c in enumerate(text):idx = char_set.index(c)vector[i][idx] = 1.0return vectorall_labels = [text2vec(i) for i in all_label_names]

二、构建一个tf.data.Dataset

1.预处理函数

def preprocess_image(image):image = tf.image.decode_jpeg(image, channels=1)image = tf.image.resize(image, [50, 200])return image/255.0def load_and_preprocess_image(path):image = tf.io.read_file(path)return preprocess_image(image)

2.加载数据

构建 tf.data.Dataset 最简单的方法就是使用 from_tensor_slices 方法。

AUTOTUNE = tf.data.experimental.AUTOTUNEpath_ds = tf.data.Dataset.from_tensor_slices(pictures_paths) image_ds = path_ds.map(load_and_preprocess_image, num_parallel_calls=AUTOTUNE) label_ds = tf.data.Dataset.from_tensor_slices(all_labels)image_label_ds = tf.data.Dataset.zip((image_ds, label_ds)) image_label_ds <ShuffleDataset shapes: ((50, 200, 1), (7, 69)), types: (tf.float32, tf.float64)> train_ds = image_label_ds.take(5000).shuffle(5000) # 前5000个batch val_ds = image_label_ds.skip(5000).shuffle(1000) # 跳过前5000，选取后面的

3.配置数据

先复习一下prefetch()函数。prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。如果不使用prefetch()，CPU 和 GPU/TPU 在大部分时间都处于空闲状态：

使用prefetch()可显著减少空闲时间：

BATCH_SIZE = 16train_ds = train_ds.batch(BATCH_SIZE) train_ds = train_ds.prefetch(buffer_size=AUTOTUNE)val_ds = val_ds.batch(BATCH_SIZE) val_ds = val_ds.prefetch(buffer_size=AUTOTUNE) val_ds <PrefetchDataset shapes: ((None, 50, 200, 1), (None, 7, 69)), types: (tf.float32, tf.float64)>

三、搭建网络模型

目前这里主要是带大家跑通代码、整理一下思路，大家可以自行优化网络结构、调整模型参数。后续我也会针对性的出一些调优的案例的。

from tensorflow.keras import datasets, layers, modelsmodel = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(50, 200, 1)),#卷积层1，卷积核3*3layers.MaxPooling2D((2, 2)), #池化层1，2*2采样layers.Conv2D(64, (3, 3), activation='relu'), #卷积层2，卷积核3*3layers.MaxPooling2D((2, 2)), #池化层2，2*2采样layers.Flatten(), #Flatten层，连接卷积层与全连接层 # layers.Dense(1000, activation='relu'), #全连接层，特征进一步提取layers.Dense(1000, activation='relu'), #全连接层，特征进一步提取 # layers.Dropout(0.2), layers.Dense(label_name_len * char_set_len),layers.Reshape([label_name_len, char_set_len]),layers.Softmax() #输出层，输出预期结果 ]) # 打印网络结构 model.summary() Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 48, 198, 32) 320 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 24, 99, 32) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 22, 97, 64) 18496 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 11, 48, 64) 0 _________________________________________________________________ flatten (Flatten) (None, 33792) 0 _________________________________________________________________ dense (Dense) (None, 1000) 33793000 _________________________________________________________________ dense_1 (Dense) (None, 483) 483483 _________________________________________________________________ reshape (Reshape) (None, 7, 69) 0 _________________________________________________________________ softmax (Softmax) (None, 7, 69) 0 ================================================================= Total params: 34,295,299 Trainable params: 34,295,299 Non-trainable params: 0 _________________________________________________________________

四、设置动态学习率

这里先罗列一下学习率大与学习率小的优缺点。

• 学习率大

  • 优点：1、加快学习速率。2、有助于跳出局部最优值。
  • 缺点：1、导致模型训练不收敛。2、单单使用大学习率容易导致模型不精确。

• 学习率小

  • 优点：1、有助于模型收敛、模型细化。2、提高模型精度。
  • 缺点：1、很难跳出局部最优值。2、收敛缓慢。

注意：这里设置的动态学习率为：指数衰减型（ExponentialDecay）。在每一个epoch开始前，学习率（learning_rate）都将会重置为初始学习率（initial_learning_rate），然后再重新开始衰减。计算公式如下：

learning_rate = initial_learning_rate * decay_rate ^ (step / decay_steps)

# 设置初始学习率 initial_learning_rate = 1e-3lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate, decay_steps=20, # 敲黑板！！！这里是指 steps，不是指epochsdecay_rate=0.96, # lr经过一次衰减就会变成 decay_rate*lrstaircase=True)# 将指数衰减学习率送入优化器 optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

五、编译

model.compile(optimizer=optimizer,loss='categorical_crossentropy',metrics=['accuracy'])

六、训练

epochs = 50history = model.fit(train_ds,validation_data=val_ds,epochs=epochs )

七、模型评估

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()

八、保存和加载模型

# 保存模型 model.save('model/15_model.h5') # 加载模型 new_model = tf.keras.models.load_model('model/15_model.h5')

九、预测

def vec2text(vec):"""还原标签（向量->字符串）"""text = []for i, c in enumerate(vec):text.append(char_set[c])return "".join(text)plt.figure(figsize=(10, 8)) # 图形的宽为10高为8for images, labels in val_ds.take(1):for i in range(6):ax = plt.subplot(5, 2, i + 1) # 显示图片plt.imshow(images[i])# 需要给图片增加一个维度img_array = tf.expand_dims(images[i], 0) # 使用模型预测验证码predictions = model.predict(img_array)plt.title(vec2text(np.argmax(predictions, axis=2)[0]),fontsize=15)plt.axis("off")

---

往期精彩：

深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天

深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天

深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天

深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天

深度学习100例-卷积神经网络（CNN）天气识别 | 第5天

深度学习100例-卷积神经网络（VGG-16）识别海贼王草帽一伙 | 第6天

深度学习100例-卷积神经网络（VGG-19）识别灵笼中的人物 | 第7天

深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 | 第8天

深度学习100例-循环神经网络（RNN）实现股票预测 | 第9天

深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天

深度学习100例-卷积神经网络（AlexNet）手把手教学 | 第11天

手把手教你用 CNN 识别验证码 - 深度学习100例 | 第12天

深度学习100例 - 卷积神经网络（Inception V3）识别手语 | 第13天

这也太强了吧，我用它识别交通标志，准确率竟然高达97.9% | 第14天

🚀 来自专栏：《深度学习100例》

关注、点赞、收藏，送我上热搜，谢谢大家啦！

---

最后再送大家一本，帮助大家拿到 BAT 等一线大厂 offer 的数据结构刷题笔记，是谷歌和阿里的大佬写的，对于算法薄弱或者需要提高的同学都十分受用（提取码：9go2 ）：

谷歌和阿里大佬的Leetcode刷题笔记

以及我整理的7K+本开源电子书，总有一本可以帮到你 💖（提取码：4eg0）

7K+本开源电子书

总结

以上是生活随笔为你收集整理的深度学习100例 - 卷积神经网络（CNN）实现车牌识别 | 第15天的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。