用keras框架搭建神经网络——（五）识别交通标志

从这一个阶段开始，搭建的神经网络将用于更加贴近生活的实用场景，并逐步尝试优化用户体验做成某种“产品”。

源代码下载：https://download.csdn.net/download/rance_king/11015514

1. 导入包，下载数据集
   数据集来源：https://bitbucket.org/jadslim/german-traffic-signs ，其中包含一个csv文件和三个pickle文件，csv文件将不同的交通标志名称对应到不同的class数字标号分类中，三个csv文件分别对应着训练集，测试集合验证集。

import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.models import Sequential
from keras.optimizers import Adam
from keras.layers import Dense
from keras.layers import Flatten, Dropout
from keras.utils.np_utils import to_categorical
from keras.layers.convolutional import Conv2D, MaxPooling2D
import random
import pickle
import pandas as pd
import cv2

2. 载入数据集，查看了数据集dict的key之后发现有feature和label两个键，应该是分别作为图片和标签来使用的。

#pickle文件是一种二进制文件，这里pickle.load则将这种二进制文件反序列化变成dict，‘rb’的意思是read binary
with open('german-traffic-signs/train.p', 'rb') as f:
    train_data = pickle.load(f)
with open('german-traffic-signs/valid.p', 'rb') as f:
    val_data = pickle.load(f)
with open('german-traffic-signs/test.p', 'rb') as f:
    test_data = pickle.load(f)
X_train, y_train = train_data['features'], train_data['labels']
X_val, y_val = val_data['features'], val_data['labels']
X_test, y_test = test_data['features'], test_data['labels']
#验证一下数据集中图片和标签的一一对应关系
assert(X_train.shape[0] == y_train.shape[0]), "the number of the dataset is not equal to the number of the labels"
#通过pandas载入data，然后马上可以发现交通信号一共有43个类别需要进行鉴别，对应编号0-42
data = pd.read_csv('german-traffic-signs/signnames.csv')

3. 查看数据集中数据的分布情况，可以发现这个数据集中各个分类下的数据不是均匀的。

num_of_samples=[]
 
cols = 5
num_classes = 43
 
fig, axs = plt.subplots