在python训练的tensorflow keras模型中用于图像识别

Question

我在phyton中使用keras来完成我在神经元网络中的第一步。我训练了一个模型来识别30 px30 to的图像。

import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.python.keras import Sequential

train_ds = keras.preprocessing.image_dataset_from_directory('images', validation_split=0.2,
  subset="training", seed=123, batch_size=32, image_size=(30, 30))
val_ds  = keras.preprocessing.image_dataset_from_directory('images', validation_split=0.2,
  subset="validation", seed=123, batch_size=32, image_size=(30, 30))

class_names = train_ds.class_names
print(class_names)

AUTOTUNE = tf.data.experimental.AUTOTUNE

train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
num_classes = 13

model = Sequential([
  layers.experimental.preprocessing.Rescaling(1./255, input_shape=(30, 30, 3)),
  layers.Conv2D(10, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Conv2D(15, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Conv2D(20, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Dropout(0.2),
  layers.Flatten(),
  layers.Dense(64, activation='relu'),
  layers.Dense(num_classes)
])

model.compile(
  optimizer='adam',
  loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
  metrics=['accuracy'])

model.summary()

epochs = 50

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

model.save("model.h5")

我对此非常满意，因为我的val_accuracy是0.9912。

但是现在我想使用Java中的模型来对缓冲的图像进行分类：

public class Test
{
    public static void main(String[] args) throws Exception
    {
        MultiLayerNetwork model = KerasModelImport.importKerasSequentialModelAndWeights("ki.h5");
        BufferedImage img = ImageIO.read(new File("testImage.png"));
        ImageLoader loader = new ImageLoader(30, 30, 3);
        INDArray input = loader.asMatrix(img);
        INDArray output = model.output(input);
        System.out.println("Test " + output);
    }
}

在这里，我收到了这个错误：

线程"main“org.deeplearning4j.nn.modelimport.keras.exceptions.UnsupportedKerasConfigurationException:不支持的keras层类型重新标度中的

异常。请在https://github.com/eclipse/deeplearning4j/issues上提交一个问题。

我让它工作，我物理通过删除重新刻度层。但后来我得到了例外

未知Keras损失函数稀疏交叉熵。请在https://github.com/eclipse/deeplearning4j/issues上提交一个问题。

我愿意接受任何建议。是否有更好的方法使用java的模型？

或者我应该更改python文件中的某些内容，或者如何保存模型？

Answer 1

我来自deeplearning4j项目。从外表上看，安德烈亚斯·拉德奥尔是对的。当我们实现缺少的导入函数时，这个函数从裂缝中溜走了。

请在github上点击我，就像它在这个问题上说的那样(甚至是关于链接问题)，我们可以在那里继续讨论解决办法。

对于愿意这样做的用户，也可以使用模型导入注册自定义层来解决这个问题。您可以使用我们的tensorflow类api (samediff)，并定义自己实现该功能的函数，并将其注册为一个层。如果您认为这适合您的用例，那么您可以在这里看到一个示例：https://github.com/eclipse/deeplearning4j/blob/master/deeplearning4j/deeplearning4j-modelimport/src/test/java/org/deeplearning4j/nn/modelimport/keras/e2e/KerasCustomLossTest.java

否则，我们将考虑添加缺少的函数。大部分角点的工作都集中在卷积层上，并确保了这些工作的正确性。谢谢你把这个挂起来！

Answer 2

deeplearning4j似乎不支持将损失函数定义为对象。您必须用字符串指定它。https://github.com/eclipse/deeplearning4j/issues/8990

试着改变

model.compile(
  optimizer='adam',
  loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
  metrics=['accuracy'])

至

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

请注意，使用此方法不能设置kwarg from_logits。我想这可能会破坏你的模型。如果是这样的话，您需要向他们提交一个问题，因为这是他们库中的一个bug。