此页面由 Cloud Translation API 翻译。

为图片分类器创建自定义模型

1. 准备工作

在上一个 Codelab 中，您创建了一个适用于 Android 和 iOS 的应用，该应用使用一个可识别几百类图片的基本图片标签模型。它非常常见地识别出花朵的图片，即看到花瓣、花朵、植物和天空。

要更新应用以识别特定的花朵、雏菊或玫瑰，您需要一个自定义模型，该模型已针对您想要识别的每种花卉类型进行了大量示例训练。

前提条件

此学习路线中的上一个 Codelab。

您将构建和学习的内容

如何使用 TensorFlow Lite Model Maker 训练图像分类器自定义模型。

所需条件

无需特定的硬件，所有操作都可以在浏览器中使用 Google Colab 完成。

2. 开始使用

所有需要跟随的代码都已为您准备好，可以在此处使用 Google Colab 执行。如果您无法访问 Google Colab，则可以克隆代码库并使用名为 CustomImageClassifierModel.ipynb 的笔记本（可在 ImageClassificationMobile->colab 目录中找到）。

如果您有大量特定花朵的样本，那么使用 TensorFlow Lite Model Maker 训练模型识别这些花朵的例子相对容易。

最简单的方法就是创建一个包含图片的 .zip 或 .tgz 文件，并按目录排序。例如，如果您使用雏菊、蒲公英、玫瑰、向日葵和郁金香的图片，可以按如下方式将它们整理到目录中：

4ee12554e75b103f

将其压缩并托管在服务器上，您就可以用它训练模型了。在本实验的其余部分，您将使用为您准备好的模板。

本实验假设您使用 Google Colab 训练模型。您可以在 colab.research.google.com 上找到 Colab。如果您使用的是其他环境，则可能必须安装大量依赖项，尤其是 TensorFlow。

3. 安装和导入依赖项

安装 TensorFlow Lite Model Maker。您可以通过 pip 安装来完成此操作。&>/dev/null at the end just suppresses the output.Model Maker 输出的很多内容并不直接相关。它已被抑制，因此您可以专注于手头任务。

# Install Model maker
!pip install -q tflite-model-maker &> /dev/null

接下来，您需要导入需要使用的库，并确保您使用的是 TensorFlow 2.x：

# Imports and check that we are using TF2.x
import numpy as np
import os

from tflite_model_maker import configs
from tflite_model_maker import ExportFormat
from tflite_model_maker import model_spec
from tflite_model_maker import image_classifier
from tflite_model_maker.image_classifier import DataLoader

import tensorflow as tf
assert tf.__version__.startswith('2')
tf.get_logger().setLevel('ERROR')

现在环境已准备就绪，是时候开始创建模型了！

4. 下载和准备数据

如果您将图片整理到文件夹中，然后对这些文件夹进行压缩，则下载 ZIP 文件并将其解压缩后，系统会自动根据图片所在的文件夹为图片添加标签。此目录将被引用为 data_path。

data_path = tf.keras.utils.get_file(
      'flower_photos',
      'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
      untar=True)

然后，可以将该数据路径加载到神经网络模型中，以便使用 TensorFlow Lite Model Maker 的 ImageClassifierDataLoader 类进行训练。只需将其对准该文件夹就可以了。

使用机器学习模型训练模型时，一个重要因素是不要使用全部数据进行训练。不妨稍等片刻，用它以前未见过的数据来测试模型。使用从 ImageClassifierDataLoader 返回的数据集的分屏方法很容易做到这一点。向其中传入 0.9，会得到 90% 作为训练数据，10% 作为测试数据：

data = DataLoader.from_folder(data_path)
train_data, test_data = data.split(0.9)

现在，您的数据已准备就绪，您可以使用这些数据创建模型了。

5. 创建图像分类器模型

Model Maker 抽象化了神经网络设计方面的许多细节，因此你无需处理网络设计以及卷积、密集、Relu、扁平化、损失函数和优化器等任务。对于默认模型，您只需使用一行代码，即可通过使用提供的数据训练神经网络来创建模型：

model = image_classifier.create(train_data)

运行此命令时，您会看到类似如下所示的输出：

Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
hub_keras_layer_v1v2_2 (HubK (None, 1280)              3413024
_________________________________________________________________
dropout_2 (Dropout)          (None, 1280)              0
_________________________________________________________________
dense_2 (Dense)              (None, 5)                 6405
=================================================================
Total params: 3,419,429
Trainable params: 6,405
Non-trainable params: 3,413,024
_________________________________________________________________
None
Epoch 1/5
103/103 [===] - 15s 129ms/step - loss: 1.1169 - accuracy: 0.6181

Epoch 2/5
103/103 [===] - 13s 126ms/step - loss: 0.6595 - accuracy: 0.8911

Epoch 3/5
103/103 [===] - 13s 127ms/step - loss: 0.6239 - accuracy: 0.9133

Epoch 4/5
103/103 [===] - 13s 128ms/step - loss: 0.5994 - accuracy: 0.9287

Epoch 5/5
103/103 [===] - 13s 126ms/step - loss: 0.5836 - accuracy: 0.9385

第一部分展示您的模型架构。Model Maker 在后台执行的操作称为迁移学习，它使用现有的预训练模型作为起点，利用该模型在构建图像时学到的内容，并将其应用于理解这 5 种花卉。您可以在第一行中看到以下内容：

hub_keras_layer_v1v2_2 (HubK (None, 1280)              3413024

关键是“Hub”一词，它告诉我们该模型来自 TensorFlow Hub。默认情况下，TensorFlow Lite Model Maker 使用名为“MobileNet”的模型这种模型能够识别 1000 种图片。这里的逻辑是，它通过学习“特征”可以重复使用，以区分 1, 000 个类。相同的“功能”可以映射到我们的 5 类花，因此无需从头开始学习。

模型经历了 5 个周期 - 一个周期是一个完整的训练周期，神经网络会尝试将图片与其标签进行匹配。经过 5 个周期后，大约在 1 分钟内，训练数据的准确率达到 93.85%。假设有 5 个类别，随机猜测的准确率为 20%，就是这样！（它也会报告“损失”数字，但现在您可以放心地忽略该数字。）

您之前将数据拆分为训练数据和测试数据，这样您就可以衡量网络在之前未见过的数据上的表现 - 通过对测试数据使用 model.evaluate，可以更好地指示网络在现实世界中的表现：

loss, accuracy = model.evaluate(test_data)

这将输出如下内容：

12/12 [===] - 5s 115ms/step - loss: 0.6622 - accuracy: 0.8801

请注意此处的准确度。结果为 88.01%，因此在现实世界中使用默认模型应该会达到此准确率。这对您大约一分钟后训练的默认模型来说还不错。当然，你可能可以通过大量的调整来改进模型，这本身就是一门科学！

6. 导出模型

模型训练完成后，下一步是以移动应用可以使用的 .tflite 格式将其导出。Model Maker 提供了一种简单易用的导出方法，您只需指定要输出到的目录即可。

代码如下：

model.export(export_dir='/mm_flowers')

如果您在 Google Colab 中运行此命令，则可以点击屏幕左侧的文件夹图标来查看该模型：

在这里，您将获得当前目录的列表。使用指示的按钮“上移”目录：

51e6ac47c992142a

在您指定要导出到 mm_flowers 目录的代码中。打开该文件，您会看到一个名为“model.tflite”的文件。这是经过训练的模型。

57bad87f294fd189

选择该文件，您会看到右侧弹出 3 个点。点击这些图标可获得上下文菜单，然后便可从该菜单中下载模型。

片刻之后，您的模型便会下载到“下载”文件夹中。

7. 恭喜

现在，您可以将它集成到您的移动应用中了！您将在下一个实验中执行此操作。