深度学习图像分类：Kaggle植物幼苗分类（Plant Seedlings Classification）完整代码

学习并参考了这个链接。

提前准备：anaconda3（Jupyter）；tensorflow；cv2；数据集（官网可以下，点开我给的超链接）

注意：tensorflow要求python是3.5/3.6版本的，已经配置了python3.7/3.8的朋友可以重新下载一个python 3.6，具体操作网上有很多教程可以参考~

基本思路：

1. 读入图片 & 数据预处理
   使用cv2。每个文件夹的名字就是其标签，但是名字不可以当作lable，所以建立了name_dic 字典转换为数字。由于每次加载数据很消耗时间，所以将四个文件（训练、测试集的特征和标签用numpy进行了保存）。另外由于图片数据过少，用到了图像增强。
2. 搭建LeNet网络（CNN的一种）
3. 训练模型
4. 评价模型

话不多说，直接上代码，代码解释的很清楚了——
【对了，里面数据集的地址记得自己改。】

# 导入必要的包
from keras.models import Sequential
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.layers.core import Dense,Dropout,Activation,Flatten
from keras import backend as K
from keras.preprocessing.image import ImageDataGenerator
from keras.optimizers import Adam
from sklearn.model_selection import train_test_split
from keras.preprocessing.image import img_to_array
from keras.utils import to_categorical # 用于one-hot编码
import matplotlib.pyplot as plt
import numpy as np
import cv2
import os
import pandas as pd

# 套用LeNet网络 （CNN，卷积神经网络）
class LeNet:
    def build(width, height, depth, classes):
        '''参数分别为：长 宽 高 分类'''
        # 初始化模型
        model = Sequential() # 建立线性堆叠模型
        inputShape = (height, width, depth)
        # if we are using "channels last", update the input shape
        if K.image_data_format() == "channels_first":   #for tensorflow
            inputShape = (depth, height, width)
        # first set of CONV => RELU => POOL layers
        # 卷积1 过滤器大小为 5 * 5,会产生20个图像，卷积不会改变图像大小，起到了滤镜效果,设置ReLU激活函数
        model.add(Conv2D(filters=20,kernel_size=(5, 5),padding="same",input_shape=inputShape,activation='relu'))
        # 添加激活层
        # model.add(Activation("relu"))
        # 加入Dropout避免过拟合。
        model.add(Dropout(0.25))
        # 最大池化1 过滤器大小为 2 * 2，长和宽的步长均为2,不会改变图像的数量（仍旧是20），会改变大小（32*32变成16*16）
        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
        #second set of CONV => RELU => POOL layers
        # 卷积2 过滤器大小为 5 * 5，会产生50个图像，卷积不会改变图像大小，起到了滤镜效果,设置ReLU激活函数
        model.add(Conv2D(filters=50, kernel_size = (5, 5), padding="same",activation='relu'))
        # 激活函数
        # model.add(Activation("relu"))
        # 加入Dropout避免过拟合。
        # model.add(Dropout(0.25))
        # 最大池化2 过滤器大小为2 * 2，长和宽的步长均为2,不会改变图像的数量（仍旧是50），会改变大小（16*16变成8*8）
        model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
        # first (and only) set of FC => RELU layers
        # Flatten层用来将输入“压平”
        model.add(Flatten())
        # Dense表示全连接层（500个神经元）
        model.add(Dense(500))
        model.add(Activation("relu"))
        # 加入Dropout避免过拟合。
        # model.add(Dropout(0.25))

        # softmax classifier
        # 建立输出层（分类数个神经元）,softmax可以将输出预测为每一个图像的概率
        model.add(Dense(classes,activation='softmax'))