深度学习——自己的训练集——训练模型（CNN）

1.导入必要的库

导入处理数据和训练模型时需要的库
os: 这个模块提供了与操作系统交互的功能，比如文件和目录操作。
cv2: 这是OpenCV库的别名，它是一个强大的计算机视觉库，用于图像和视频处理。
numpy as np: NumPy是一个用于科学计算的库，它提供了高效的数组处理能力，对于图像处理等任务非常有用。
tensorflow as tf: TensorFlow是一个开源的机器学习库，用于构建和训练各种类型的机器学习模型。

import os
import cv2
import numpy as np
import tensorflow as tf

2.加载类别名称

with open(‘99/classes.txt’, ‘r’) as f:

with open(...) as f:：这是上下文管理器（context manager），用于自动处理文件资源的打开和关闭。当with语句执行完成后，文件会自动关闭，即使遇到异常也是如此。
'99/classes.txt'：这是要打开的文件的路径。
'r'：这是文件打开模式，表示以只读方式打开文件。
f：这是上下文管理器创建的文件对象，可以用来读取文件内容。

classes = f.read().splitlines()：

f.read()：这个方法调用用于读取文件的全部内容，并将结果作为一个字符串返回。
.splitlines()：这个方法调用用于将字符串按照行分隔符（通常是换行符\n）分割成一个列表。
classes：这个变量存储了分割后的列表，其中每个元素都是一个从文件中读取的标签名称。

with open('99/classes.txt', 'r') as f:
    classes = f.read().splitlines()

3.创建标签映射字典

创建了一个标签映射字典，用于将标签索引转换为实际的标签名称。

label_mapping = {
    '0': 'sad',
    '1': 'happy',
    '2': 'amazed',
    '3': 'anger'
}

4.加载图像数据和对应的标签

从文件夹中加载了图像数据和对应的标签。

image_folder = '561'
label_folder = '99'

X_train = []
y_train = []

#遍历image_folder文件夹中的所有文件
for image_file in os.listdir(image_folder):
#创建一个完整的文件路径，将image_folder目录的路径和image_file（文件或子目录的名称）连接起来。
image_path = os.path.join(image_folder, image_file)

#cv2.imread(image_path)：这个函数调用用于读取图像文件。
image = cv2.imread(image_path)

#如果图像成功加载，将图像数据添加到X_train列表中。
    if image is not None:
        X_train.append(image)

	#将label_folder目录的路径和image_file（去除.jpg扩展名后的文件名）连接起来，并在最后加上.txt扩展名
        label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))
        with open(label_file, 'r') as f:
            label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引
            label_name = label_mapping[label_index]
            label = classes.index(label_name)
            y_train.append(label)

X_train = np.array(X_train)
y_train = np.array(y_train)

5.构建和编译CNN模型

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(image.shape)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(len(classes), activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

model = tf.keras.Sequential([ … ])：

tf.keras.Sequential：这是一个Keras模型，用于创建一个包含顺序堆叠的层的模型。
[ ... ]：这是一个列表，其中包含了模型中的层。
model：这个变量存储了创建的Keras Sequential模型。

tf.keras.layers.Conv2D(32, (3, 3), activation=‘relu’,
input_shape=(image.shape))：

tf.keras.layers.Conv2D：这是一个2D卷积层，用于提取图像的局部特征。
32：这是卷积层的输出通道数。
(3, 3)：这是卷积核的大小，即每个卷积核覆盖的像素区域。
activation='relu'：这是激活函数，用于在每个卷积层之后应用。
input_shape=(image.shape)：这是输入层的形状，它是从image.shape获得的，确保模型的输入形状与图像数据的形状匹配。

tf.keras.layers.MaxPooling2D((2, 2))：

tf.keras.layers.MaxPooling2D：这是一个2D最大池化层，用于通过取每个池化区域的最大值来减小特征图的大小。
(2, 2)：这是池化窗口的大小，即每个池化操作覆盖的像素区域。

tf.keras.layers.Flatten()：

tf.keras.layers.Flatten：这是一个扁平化层，用于将2D或多维数组展平为一维数组。

tf.keras.layers.Dense(128, activation=‘relu’)：

tf.keras.layers.Dense：这是一个全连接层，用于在模型中添加更多的非线性变换。
128：这是全连接层的神经元数量。
activation='relu'：这是激活函数，用于在每个全连接层之后应用。

tf.keras.layers.Dense(len(classes), activation=‘softmax’)：

tf.keras.layers.Dense：这是一个全连接层，用于在模型中添加更多的非线性变换。
len(classes)：这是全连接层的神经元数量，它等于类别的数量。
activation='softmax'：这是激活函数，用于在每个全连接层之后应用，以产生一个概率分布。

model.compile(optimizer=‘adam’,
loss=‘sparse_categorical_crossentropy’, metrics=[‘accuracy’])：

model.compile：这个方法用于编译模型，指定训练过程中使用的优化器、损失函数和评估指标。
optimizer='adam'：这是模型使用的优化器，用于调整模型的权重以最小化损失函数。
loss='sparse_categorical_crossentropy'：这是模型使用的损失函数，用于评估模型在训练数据上的性能。
metrics=['accuracy']：这是模型使用的评估指标，用于评估模型在训练数据上的性能。

6.训练模型

model.fit(X_train, y_train, epochs=20, batch_size=32)

model.fit：这是Keras中的一个方法，用于训练模型。
X_train：这是模型的输入数据，它是一个NumPy数组。
y_train：这是模型的目标数据，它是一个NumPy数组。
epochs=20：这是训练过程中重复训练数据的次数。
batch_size=32：这是每次梯度更新的样本数量。

7.保存训练好的模型

model.save('cnn_model.h5')