- 🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客
- 🍖 原作者：K同學啊
從 tensorflow.keras 中導入 layers 模塊，包含了常用的神經網絡層，用來搭建模型結構。
檢查并列出系統中可用的物理 GPU 設備，返回一個 GPU 列表。
img_height, img_width：圖片統一 resize 成 224x224。
batch_size：每個訓練 batch 中的樣本數為 32。
validation_split=0.3：把 30% 數據預留為驗證用；
subset=“training”：表示當前提取的是訓練數據；
seed=12：用于保證訓練/驗證劃分一致；
自動讀取所有圖像并打標簽，resize 到指定大小，分成批次。輸出：總共 600 張圖像，420 用于訓練。
subset=“validation”：這次提取的是驗證集；同樣參數以確保訓練驗證劃分方式一致。
輸出：驗證集為 180 張圖像。
cardinality()：獲取 val_ds 中 batch 的總數（為 5）；val_ds.take(n)：取前 n 個 batch 作為 test_ds；val_ds.skip(n)：剩余部分留作 val_ds。相當于把驗證集的 20% 再切出來當 test 集（180 張圖中約 36 張是測試集，剩余 144 張繼續作驗證集）。
每個 batch 有 32 張圖像。
獲取類別名稱，[‘cat’, ‘dog’]。
自定義預處理函數：
把圖像像素值歸一化到 [0, 1]（原始值是 0~255）；保留原標簽。
map()：將上面定義的預處理函數應用到數據集中每個元素；num_parallel_calls=AUTOTUNE：啟用多線程并行處理。
.cache()：將數據緩存到內存中，加快讀取速度；
.prefetch()：訓練時提前準備好下一個 batch，減少訓練等待時間。
take(1)：從訓練集中取出 1 個 batch（共 32 張圖）；迭代取出其中的圖像和標簽。
只顯示前 8 張圖片；plt.subplot(5, 8, i + 1)：在 5x8 的網格中放置圖像；plt.imshow()：顯示圖片；plt.title()：顯示類別；plt.axis(“off”)：隱藏坐標軸。
RandomFlip(“horizontal_and_vertical”)
隨機水平 & 垂直翻轉圖像。
RandomRotation(0.2)
隨機將圖像旋轉 ±20% 的角度。
images[i] 是單張圖像的張量，形狀是 [height, width, channels]；模型要求輸入帶有 batch 維度，即 [1, height, width, channels]；所以expand_dims(…, 0) 在最前加了一個維度，構成一個 batch。
創建一個 3x3 網格畫布；每次對同一張圖 image 進行數據增強；用 plt.imshow() 顯示增強后的圖像；隱藏坐標軸。
使用 Keras 增強層對圖像進行隨機翻轉和旋轉，并將同一張原始圖片經過 9 次增強后的結果可視化。
data_augmentation表示訓練時自動進行數據增強；Conv2D(16, 3, …)：卷積層，16 個 3x3 的卷積核，激活函數 ReLU；MaxPooling2D()：池化層，降低特征圖空間維度。將數據增強模塊嵌入訓練數據集（用 training=True 激活增強）；map() 函數在 TensorFlow Dataset 中遍歷每個樣本 (x, y)；設置 num_parallel_calls=AUTOTUNE 自動調節線程數。train_ds 數據會自動帶數據增強。
Conv2D + ReLU，三層卷積提取空間特征；MaxPooling2D，每層后面做降采樣，減小計算量；Flatten，將多維張量展平，連接到全連接層；Dense(128)，全連接隱藏層，128 個神經元，ReLU 激活；Dense(len(class_names))， 輸出層，單元個數 = 類別數，未加激活函數。
使用 Adam 優化器；SparseCategoricalCrossentropy：適用于標簽是整數編碼；from_logits=True：表示最后一層未經過 softmax，loss 會自動處理；指標使用 accuracy 來評估性能。
用 train_ds 訓練，val_ds 驗證；總共訓練了 20 輪（epoch）；
每一輪都輸出了：
accuracy：訓練集準確率；
loss：訓練損失；
val_accuracy：驗證集準確率；
val_loss：驗證損失。
初始 val_accuracy 為 59.4%，逐輪提升，最終達到 92.5%；
loss 和 val_loss 都穩定下降，沒有過擬合；從第 10 輪開始準確率就提升很高。
用分離出來的測試集 test_ds 評估最終模型性能，表示模型在從未見過的數據上仍能達到 87.5% 的分類準確率。
使用 stateless_random_contrast：給圖像加入對比度增強；使用固定種子 (seed, 0)：可以控制隨機性、實現復現。
將訓練圖像 [3] 乘回 255，還原為原始像素；使用 expand_dims 添加 batch 維；打印最小/最大像素值：表明增強后圖像仍保持合理亮度范圍，沒有過度偏暗或偏亮。
創建一個新的圖像窗口，大小為 8x8 英寸。
對同一張圖像 image 進行 9 次增強；每次調用 aug_img() 函數，使用tf.image.stateless_random_contrast() 添加隨機對比度。
創建一個 3x3 網格的子圖，把當前增強圖像放在第 i+1 個位置。
augmented_image 的 shape 是 [1, h, w, c]，取出 [0] 表示取出圖像本身；
.numpy()：將 Tensor 轉為 NumPy 數組；.astype(“uint8”)：把圖像像素轉回標準的 8-bit 整數格式，然后去除坐標軸。
