在本文中，我们将构建一个卷积神经网络，将对7种类型的数千个图像进行训练，即：鲜花，汽车，猫，马，人，自行车，狗，然后能够预测是否给定的图像是猫，狗或人。
该CNN实现使用自己的图像数据集涵盖以下主题
- 加载和预处理自己的数据集
- 在Keras设计和训练CNN模型
- 绘制损失和准确度曲线
- 评估模型和预测测试图像的输出类
- 可视化CNN的中间层输出
- 绘制结果的混淆矩阵
加载和预处理自己的数据集：
我们将使用的数据集包括从互联网收集并标记的7个类。Python代码如下;
PATH = os.getcwd()
#Define data path
data_path = PATH + '/data'
data_dir_list = os.listdir(data_path)
data_dir_list
- 1.
- 2.
- 3.
- 4.
- 5.
输出:
['bike', 'cars', 'cats', 'dogs', 'flowers', 'horses', 'human']
- 1.
可视化一些图像，我们可以看到图像是128x128像素,Python代码如下：
#Visualize some images
image = X_train[1441,:].reshape((128,128))
plt.imshow(image)
plt.show()
- 1.
- 2.
- 3.
- 4.
用自己的数据构建一个简单的卷积神经网络
接下来，我们开始在Keras中设计和编译CNN模型，Python实现如下：
#Initializing the input shape
input_shape = img_data[0].shape
#Design CNN sequential model
model = Sequential ([
Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape),
Convolution2D(32,3,3, activation = 'relu'),
MaxPooling2D(pool_size = (2,2)),
Dropout(0.5),
Convolution2D(64,3,3, activation = 'relu'),
MaxPooling2D(pool_size = (2,2)),
Dropout(0.5),
Flatten(),
Dense(64, activation = 'relu'),
Dropout(0.5),
Dense(num_classes, activation = 'softmax')
])
#Compiling the model
model.compile(
loss = 'categorical_crossentropy',
optimizer = 'adadelta',
metrics = ['accuracy'])
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
在拟合模型之后，我们可以在整个迭代过程中可视化训练和验证。
ist = model.fit (X_train, y_train,
batch_size = 16,
nb_epoch = num_epoch,
verbose=1,
validation_data = (X_test, y_test)
)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
我们现在可以使用我们的模型使用以下代码预测新图像的新类：
# Predicting the test image
print((model.predict(test_image)))
print('Image class:', model.predict_classes(test_image))
- 1.
- 2.
- 3.
正如我们在下面看到的，我们的模型正确地将图像分类为class [0] - bike。
[[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02
3.0998811e-01 1.3129448e-02]]
Image class: [0]
- 1.
- 2.
- 3.
这是一个混淆矩阵，没有归一化
我们现在可以保存模型和权重，以便在实际应用程序中实现。