我的keras代写深度学习实验程序经历（tensorflow代写

             在10行代码中使用Fast.AI细粒度服装分类

服装类别分类被认为是一种细粒度的图像分类任务，因为，大多数服装看起来非常相似。

数据集使用DeepFashion数据库

​​​

from fastai import *
from fastai.vision import *

path = Path("data/cloth_categories/")

data = ImageDataBunch.from_csv(path, csv_labels="train_labels.csv", ds_tfms=get_transforms(), size=224)

data.normalize(imagenet_stats)

learn = create_cnn(data, models.resnet34, metrics=accuracy)

learn.fit_one_cycle(8)

learn.save('stage-1_sz-150')

获取数据集：

http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion/AttributePrediction.html

在此页面上，转到Google云端硬盘或百度硬盘链接，然后下载：

衣服图片（2.8 GB Zip文件）

类别注释（文本文件）

train/ Val /test（文本文件）

＃好吧，让我们开始编码......

from fastai import *

from fastai.vision import *

数据导入

# Creating path object

path = Path("data/cloth_categories/")

# Creating data from CSV

data = ImageDataBunch.from_csv(path, csv_labels="labels.csv" ,ds_tfms=get_transforms(), size=150)

#Normalize dataset and augmentated image tranformation

data.normalize(imagenet_stats)

数据可视化

# show 8*8 grid of random images from our dataset

data.show_batch(rows=8, figsize=(14,12))

查看目标数据类

print(data.classes)

print (len(data.classes),data.c)

>>> ['Blouse', 'Blazer', 'Button-Down', 'Bomber', 'Anorak', 'Tee', 'Tank', 'Top', 'Sweater', 'Flannel', 'Hoodie', 'Cardigan', 'Jacket', 'Henley', 'Poncho', 'Jersey', 'Turtleneck', 'Parka', 'Peacoat', 'Halter', 'Skirt', 'Shorts', 'Jeans', 'Joggers', 'Sweatpants', 'Jeggings', 'Cutoffs', 'Sweatshorts', 'Leggings', 'Culottes', 'Chinos', 'Trunks', 'Sarong', 'Gauchos', 'Jodhpurs', 'Capris', 'Dress', 'Romper', 'Coat', 'Kimono', 'Jumpsuit', 'Robe', 'Caftan', 'Kaftan', 'Coverup', 'Onesie']

(46, 46)

最后使用Resnet-34进行训练

# create fast.ai vision Conv learner aka CNN from resnet34 architecture

# Please note, we are using metrics as top-1 Accuracy

learn = create_cnn(data, models.resnet34, metrics=accuracy)

# fit learner on data in 8 cycle

learn.fit_one_cycle(8)

# save our fitted model

learn.save('stage-1_arch-34_sz-150')

>>>

Total time: 49:55

epoch  train loss  valid loss  accuracy

1      0.632115    0.474118    0.761742  (06:13)

2      0.548713    0.408220    0.783295  (06:12)

3      0.412822    0.369032    0.826267  (06:13)

4      0.350622    0.345870    0.841440  (06:14)

5      0.345819    0.308995    0.852246  (06:16)

6      0.261442    0.289868    0.877319  (06:16)

7      0.270456    0.276496    0.891509  (06:16)

8      0.264946    0.272343    0.921870  (06:12)