Inception v1：开启深度学习的新时代
Inception v1，也被称为GoogLeNet，是Inception系列的开山之作。它的核心贡献在于提出了一种新的网络结构，通过改善计算资源的利用，实现了在保持计算成本不变的情况下增加网络的深度和宽度。Inception v1的主要特点包括：
1. Inception模块：这是Inception v1的核心，它通过并行的卷积和池化操作，捕获不同尺度的特征。
2. 1x1卷积：用于降维，减少计算瓶颈，同时增加网络的深度。
3. 辅助分类器：在网络中间层添加辅助分类器，帮助梯度回流，增强模型的判别能力。
Inception v2：引入Batch Normalization
Inception v2在v1的基础上引入了Batch Normalization（BN），这是一种用于改善训练过程的技术，通过规范化层的输入来加速训练并提高模型的泛化能力。Inception v2的主要改进包括：
1. Batch Normalization：在每个卷积层后应用BN，以减少内部协变量偏移。
2. 分解卷积：将7x7卷积分解为两个3x3卷积，减少参数数量并提高非线性表达能力。
Inception v3：进一步的优化与正则化
Inception v3在v2的基础上进一步优化了网络结构，并引入了更多的正则化技术。Inception v3的主要特点和改进包括：
1. 设计原则：Inception v3的设计遵循了几个核心原则，包括避免早期的表达瓶颈、高维特征的局部处理更容易、空间聚合可以在低维嵌入中完成，以及平衡网络的宽度和深度。
2. 分解大卷积核：Inception v3进一步分解了大卷积核，例如将7x7卷积分解为1x7和7x1卷积的组合，以减少计算量。
3. 辅助分类器：Inception v3使用了带有BN的辅助分类器，这不仅帮助梯度回流，还提供了额外的正则化。
4. 标签平滑：Inception v3引入了标签平滑技术，这是一种正则化手段，可以提高模型的泛化能力。
Inception v3的这些改进使得它在ILSVRC 2012分类基准测试中取得了优异的性能，同时保持了相对较低的计算成本。Inception系列模型的发展，不仅推动了深度学习在图像识别领域的进步，也为后续的模型设计提供了宝贵的经验和启示。
import timefrom matplotlib import pyplot as pltimport numpy as npimport cv2import osfrom keras.applications import InceptionV3from keras.applications.inception_v3 import preprocess_inputfrom keras.models import Modelfrom keras.layers import Dense, Flattenfrom keras.optimizers import Adamfrom sklearn.model_selection import train_test_splitfrom tqdm import tqdm# 读取数据（仅加载前1000个样本）def load_data(txt_file, img_size, max_samples=1000):images = []labels = []count = 0 # 计数器with open(txt_file, 'r') as file:for line in tqdm(file.readlines(), ncols=150, colour='red'):if count >= max_samples: # 只加载前 max_samples 个数据breakimg_path, label = line.strip().split()img = cv2.imread(img_path)img = cv2.resize(img, (img_size, img_size)) # 调整图像大小img = preprocess_input(img) # 预处理images.append(img)labels.append(int(label))count += 1return np.array(images), np.array(labels)# 记录训练开始时间start_time = time.time()# 加载训练数据集img_size = 299 # InceptionV3 输入尺寸train_txt_file = r"data\datapath\training_set.txt" # 训练集 txt 文件路径X_train, y_train = load_data(train_txt_file, img_size, max_samples=20000)# 加载测试数据集test_txt_file = r"data\datapath\testing_set.txt" # 测试集 txt 文件路径X_test, y_test = load_data(test_txt_file, img_size, max_samples=1000)# 使用 InceptionV3 模型base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(img_size, img_size, 3))# 取消 InceptionV3 的卷积层冻结，使模型可训练for layer in base_model.layers:layer.trainable = True# 添加自定义的全连接层x = Flatten()(base_model.output)x = Dense(128, activation='relu')(x)x = Dense(64, activation='relu')(x)output = Dense(1, activation='sigmoid')(x) # 二分类问题# 创建模型model = Model(inputs=base_model.input, outputs=output)# 编译模型model.compile(optimizer=Adam(lr=0.0001), loss='binary_crossentropy', metrics=['acc'])# 训练模型batch_size = 32epochs = 10history = model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(X_test, y_test))# 记录训练结束时间并计算训练时间train_time = time.time() - start_timeprint(f"Total Training Time: {train_time:.2f} seconds")# 打印训练精度train_acc = history.history['acc'][-1]print(f"Final Training Accuracy: {train_acc * 100:.2f}%")# 记录测试开始时间start_test_time = time.time()# 评估模型test_loss, test_acc = model.evaluate(X_test, y_test)# 记录测试结束时间并计算测试时间test_time = time.time() - start_test_timeprint(f"Total Testing Time: {test_time:.2f} seconds")print(f"Test Accuracy: {test_acc * 100:.2f}%")# 绘制损失曲线plt.plot(history.history['loss'], label='Training Loss')plt.plot(history.history['acc'], label='Training accuracy')plt.title('Training and Validation Loss')plt.xlabel('Epochs')plt.ylabel('Loss')plt.legend()plt.show()
