1. 项目概述：当卷积神经网络遇见气象学
去年夏天我在整理手机相册时发现一个有趣现象——过去五年拍摄的户外照片中，约有30%都包含了天空元素。这让我开始思考：能否让计算机像人类一样，通过观察天空图像来判断天气状况？于是就有了这个基于TensorFlow的天气识别实验项目。
这个项目本质上是一个多分类的计算机视觉任务，核心是通过卷积神经网络（CNN）对天空图像进行特征提取和分类。我们最终要实现的模型能够区分晴天、多云、雨天、雾天、雪天等5种常见天气类型。选择TensorFlow作为框架的原因很实际：它完善的Keras接口让CNN模型搭建变得异常简单，同时其跨平台特性便于后续部署到移动设备或嵌入式系统。
2. 核心技术与环境配置
2.1 开发环境搭建实录
在Ubuntu 20.04系统上，我推荐使用Miniconda创建独立Python环境：
conda create -n weather python=3.8 conda activate weather pip install tensorflow-gpu==2.6.0这里有几个关键选择需要说明：
- 选择Python 3.8是因为其与TensorFlow 2.6的兼容性最稳定
- 使用GPU版本可以加速训练过程（实测RTX 3060比CPU快15倍）
- 2.6版本在保持较新特性的同时避免了2.7版本的一些已知bug
重要提示：如果使用Windows系统，务必安装CUDA 11.2和cuDNN 8.1匹配TensorFlow 2.6，版本不匹配会导致无法调用GPU
2.2 数据集的秘密武器
经过对比多个开源数据集，最终选择了包含12,000张标注图像的Multi-class Weather Dataset。这个数据集有三大优势：
- 每张图像都包含完整的天空区域
- 光照条件覆盖了清晨到黄昏
- 包含不同地理位置的天气样本
数据预处理流程值得特别关注：
train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, horizontal_flip=True, validation_split=0.2)这段代码背后有多个实用技巧：
- rotation_range设为20度可以模拟手机拍摄时的角度偏差
- 水平翻转对天空图像有效是因为天气特征通常具有水平对称性
- 验证集比例20%比常规的10%更能反映模型真实表现
3. 模型架构的进化之路
3.1 从LeNet到自定义CNN的迭代
最初的基准模型采用经典的LeNet-5架构，但验证准确率仅达到68%。分析混淆矩阵发现，模型经常混淆雾天和阴天。通过特征可视化发现，原模型对纹理特征的提取能力不足。
改进后的架构包含以下关键创新点：
model = Sequential([ Conv2D(32, (5,5), activation='relu', input_shape=(150,150,3)), BatchNormalization(), MaxPooling2D((2,2)), Conv2D(64, (3,3), activation='relu', padding='same'), Dropout(0.3), Conv2D(128, (3,3), activation='relu', padding='valid'), GlobalAveragePooling2D(), Dense(256, activation='relu'), Dropout(0.5), Dense(5, activation='softmax') ])这个架构有几个精妙设计：
- 交替使用valid和same padding增强特征多样性
- GlobalAveragePooling替代Flatten层减少参数量的同时保持性能
- 在特定位置插入BatchNorm和Dropout提升泛化能力
3.2 训练过程中的黑科技
使用ReduceLROnPlateau回调函数实现动态学习率调整：
callbacks = [ ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=3), EarlyStopping(monitor='val_accuracy', patience=5, mode='max') ]这里有个反直觉的设置：初始学习率设为0.001比常见的0.01表现更好。经过分析发现，天气识别任务中的细微纹理特征需要更精细的梯度更新。
4. 实战中的陷阱与突破
4.1 数据不平衡的破解之道
原始数据集中各类别样本数量：
- 晴天：4000
- 多云：3500
- 雨天：2000
- 雾天：1500
- 雪天：1000
采用class_weight参数加权后，雪天的识别准确率提升了17%：
class_weight = { 0: 1.0, # 晴天 1: 1.1, # 多云 2: 1.5, # 雨天 3: 2.0, # 雾天 4: 3.0 # 雪天 }4.2 模型轻量化实战
为了能在树莓派上部署，进行了以下优化：
- 使用TensorFlow Lite转换工具：
converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert()- 采用8位整数量化：
converter.optimizations = [tf.lite.Optimize.DEFAULT]- 最终模型大小从23MB压缩到1.8MB，推理速度提升4倍
5. 效果验证与业务思考
在1000张未见过的测试图像上，模型表现如下：
| 天气类型 | 准确率 | 常见误判 |
|---|---|---|
| 晴天 | 94% | 少云晴天判为多云 |
| 多云 | 88% | 厚云判为阴天 |
| 雨天 | 82% | 暴雨判为雪天 |
| 雾天 | 76% | 薄雾判为多云 |
| 雪天 | 85% | 雨夹雪判为雨天 |
这个项目给我最深的体会是：看似简单的天气识别，实际包含了云层纹理、光照强度、降水形态等多种特征的复杂组合。在模型部署到户外摄像头后，有个意外发现——傍晚时分的晚霞经常被误判为晴天，后来通过添加时间戳特征解决了这个问题。
