? 我的环境：
语言环境：Python3
深度学习环境：TensorFlow2
? 相关教程：
编译器教程：新手入门深度学习 | 1-2：编译器Jupyter Notebook
深度学习环境配置教程：新手入门深度学习 | 1-1：配置深度学习环境
一个深度学习小白需要的所有资料我都放这里了：新手入门深度学习 | 目录
建议你学习本文之前先看看下面这篇入门文章，以便你可以更好的理解本文：
? 新手入门深度学习 | 2-1：图像数据建模流程示例
强烈建议大家使用Jupyter Lab编译器打开源码，你接下来的操作将会非常便捷的！
大家好，我是K同学啊！这次为大家准备了一个天气识别的实例，文章我采用了VGG16、ResNet50、IceptionV3、DenseNet121、LeNet-5、MobileNetV2、EfficientNetB0等7个模型来识别天气，使用的数据集包含 5,531 张不同类型天气的图像，最后模型的识别准确率为 93.9% 。
? 重点说明：本文为大家准备了多个算法进行对比分析，每一个算法的学习率都是独立的，你可以自由调整。并且为你提供了准确率（Accuracy）、损失（Loss）、召回率（recall）、精确率（precision）以及AUC值等众多指标的对比分析，你只需要选择需要对比的模型、指标以及数据集即可进行相应的对比分析。
? 在本代码中你还可以探究的内容如下：
同一个学习率对不同模型的影响
同一个模型在不同学习率下的性能
Dropout层的作用（解决过拟合问题）
? 效果展示：
我们的代码流程图如下所示：
? 前期准备工作
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")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# 打印显卡信息，确认GPU可用print(gpus)[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
? 导入数据
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)
Found 5531 files belonging to 9 classes.Using 4425 files for training.
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""val_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="validation", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)
Found 5531 files belonging to 9 classes.Using 1106 files for validation.
class_names = train_ds.class_namesprint(class_names)
['dew', 'fogsmog', 'frost', 'hail', 'lightning', 'rain', 'rainbow', 'rime', 'snow']
AUTOTUNE = tf.data.AUTOTUNE# 归一化def train_preprocessing(image,label): return (image/255.0,label)train_ds = ( train_ds.cache() .map(train_preprocessing) # 这里可以设置预处理函数 .prefetch(buffer_size=AUTOTUNE))val_ds = ( val_ds.cache() .map(train_preprocessing) # 这里可以设置预处理函数 .prefetch(buffer_size=AUTOTUNE))
plt.figure(figsize=(14, 8)) # 图形的宽为10高为5for images, labels in train_ds.take(1): for i in range(28): plt.subplot(4, 7, i + 1) plt.xticks([]) plt.yticks([]) plt.grid(False) # 显示图片 plt.imshow(images[i]) plt.title(class_names[np.argmax(labels[i])])plt.show()
? 设置评估指标metrics
评估指标用于衡量深度学习算法模型的质量，评估深度学习算法模型对于任何项目都是必不可少的。在深度学习中，也有许多不同类型的评估指标可用于衡量算法模型，例如accuracy、precision、recall、auc等都是常用的评估指标。
关于评估指标metrics的详细介绍请参考：?新手入门深度学习 | 3-5：评估指标metrics
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]0
? 定义模型
? VGG16模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]1
? ResNet50模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]2
? InceptionV3模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]3
? DenseNet121算法模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]4
? LeNet-5模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]5
? MobileNetV2算法模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]6
? EfficientNetB0算法模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]7
? 训练模型
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]8
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]9
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)0
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)1
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)2
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)3
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)4
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)5
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)6
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)7
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)8
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""train_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="training", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)9
Found 5531 files belonging to 9 classes.Using 4425 files for training.0
Found 5531 files belonging to 9 classes.Using 4425 files for training.1
? 结果分析
? 准确率对比分析
Found 5531 files belonging to 9 classes.Using 4425 files for training.2
? 损失对比分析
Found 5531 files belonging to 9 classes.Using 4425 files for training.3
? 召回率对比分析
召回率(Recall)，也称查全率，是被正确分类的正例（反例）样本，占所有正例（反例）样本的比例。
Found 5531 files belonging to 9 classes.Using 4425 files for training.4
? 混淆矩阵
Found 5531 files belonging to 9 classes.Using 4425 files for training.5
Found 5531 files belonging to 9 classes.Using 4425 files for training.6
? 评估指标生成
support：当前行的类别在测试数据中的样本总量；
precision：被判定为正例（反例）的样本中，真正的正例样本（反例样本）的比例，精度=正确预测的个数(TP)/被预测正确的个数(TP+FP)。
recall：被正确分类的正例（反例）样本，占所有正例（反例）样本的比例，召回率=正确预测的个数(TP)/预测个数(TP+FN)。
f1-score: 精确率和召回率的调和平均值，F1 = 2精度召回率/(精度+召回率)。
accuracy：表示准确率，也即正确预测样本量与总样本量的比值。
macro avg：表示宏平均，表示所有类别对应指标的平均值。
weighted avg：表示带权重平均，表示类别样本占总样本的比重与对应指标的乘积的累加和。
Found 5531 files belonging to 9 classes.Using 4425 files for training.7
Found 5531 files belonging to 9 classes.Using 4425 files for training.8
? Loss/accuracy/Precision/Recall对比分析
Found 5531 files belonging to 9 classes.Using 4425 files for training.9
? AUC
即ROC曲线(TPR vs FPR)下的面积，其值在0~1之间，AUC值越高，代表分类器效果越好。更详细的介绍请看AUC 评价指标详解，准确率（ACC），敏感性（sensitivity），特异性（specificity）计算 Python3【TensorFlow2入门手册】一文。
关于ROC曲线应用的其他实例：
深度学习100例 | 第35天：脑肿瘤识别
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""val_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="validation", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)0
? 指定图片进行预测
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""val_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="validation", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)1
"""关于image_dataset_from_directory()的详细介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/117018789"""val_ds = tf.keras.preprocessing.image_dataset_from_directory( "./2-DataSet/", validation_split=0.2, subset="validation", label_mode = "categorical", seed=12, image_size=(img_height, img_width), batch_size=batch_size)2