Identificador_Entrenamiento.py

from matplotlib.pyplot import tight_layout


###########################################################
# Entrena una red Mobilenet con los objetivos que tenemos #
###########################################################
# Utiliza Mobilenetv2 como red preentrenada
# https://www.pyimagesearch.com/2020/11/30/siamese-networks-with-keras-tensorflow-and-deep-learning/
from tensorflow.python.keras.api import keras
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import tensorflow.keras.applications.mobilenet as mobilenet
# from tensorflow.keras.applications import imagenet_utils
import tensorflow.keras.backend as K
import Config


def capa_distancia_euclidea(vectors):
	"Distancia euclidea como capa de una red neuronal"
	(A, B) = vectors
	suma_cuadrada = K.sum(K.square(A - B), axis=1, keepdims=True)
	return K.sqrt(K.maximum(suma_cuadrada, K.epsilon()))


def genera_DNN():
	"Genera una Red Neuronal Profunda Preentrenada con los parametros de Config"
	# Cargamos el modelo de keras
	modelo = keras.applications.mobilenet.MobileNet()
	x = modelo.layers[-6].output
	# Esto significa que al ser un modelo funcional se le pasa como argumento la
	# salida de las ateriores capas (x)
	output = keras.layers.Dense(units=10, activation='softmax')(x)
	# Crea un modelo funcional de red neural
	modelo = keras.Model(inputs=modelo.input, outputs=output)
	# Evitamos que se re-entrene todas las capas excepto las ultimas 23
	for layer in modelo.layers[:-23]:
		layer.trainable = False
	modelo.compile(optimizer=keras.optimizers.Adam(lr=0.0001),
		loss='categorical_crossentropy',
		metrics=['accuracy'])
	return modelo


def entrena_DNN(modelo, datos):
	"Entrena el modelo con los datos para los objetivos"
	modelo.fit(x=datos, epochs=10, verbose=2)
	return modelo


def data_preprocesado():
	"Genera con los objetivos"
	path = "Entrada/Objetivos"
	tam = Config.DNN.MobileNet.img_size
	return ImageDataGenerator(
		preprocessing_function=mobilenet.preprocess_input).flow_from_directory(
		directory=path, target_size=(tam, tam), batch_size=10, shuffle=True)


if __name__ == "__main__":
	datos = data_preprocesado()
	print(list(datos.class_indices.keys()))
	modelo = genera_DNN()
	modelo = entrena_DNN(modelo, datos)
	modelo.save('customMobileNet.h5')