keras+CNN图像分类

我们的深度学习数据集包括1,191张口袋妖怪图像，（存在于口袋妖怪世界中的动物般的生物，流行的电视节目，视频游戏和交易卡系列）。

我们的目标是使用Keras和深度学习训练卷积神经网络，以识别和分类这些神奇宝贝。

我们将认识到的口袋妖怪包括：

Bulbasaur（234图像）
Charmander（238图像）
Squirtle（223图像）
皮卡丘（234图像）
Mewtwo（239图像）

项目结构 

├── dataset
│   ├── bulbasaur [234 entries]
│   ├── charmander [238 entries]
│   ├── mewtwo [239 entries]
│   ├── pikachu [234 entries]
│   └── squirtle [223 entries]
├── examples [6 entries]
├── pyimagesearch
│   ├── __init__.py
│   └── smallervggnet.py
├── plot.png
├── lb.pickle
├── pokedex.model
├── classify.py
└── train.py

有3个目录：

dataset：包含五个类，每个类都有自己的子目录，使解析类标签变得容易。
示例：包含我们将用于测试CNN的图像。
pyimagesearch模块：包含我们的SmallerVGGNet模型类。
根目录中有5个文件：

plot.png：训练脚本运行后生成的训练/测试精度和损失图。
lb.pickle：我们的LabelBinarizer序列化对象文件 - 它包含类名查找mechamisn的类索引。
pokedex.model：这是我们的序列化Keras卷积神经网络模型文件（即“权重文件”）。
train.py：我们将使用此脚本训练我们的Keras CNN，绘制准确性/丢失，然后将CNN和标签二进制文件序列化到磁盘。
classify.py：我们的测试脚本。

使用的CNN架构是VGGNet网络的更小，更紧凑的变体，由Simonyan和Zisserman在他们的2014年论文“用于大规模图像识别的超深度卷积网络”中介绍。

类似VGGNet的架构的特点是：

仅使用堆叠在彼此顶部的3×3卷积层来增加深度
通过最大池化减小卷大小
在softmax分类器之前，网络末端的完全连接层

深度学习开发环境配置的例子：

• Configuring Ubuntu for deep learning with Python
• Setting up Ubuntu 16.04 + CUDA + GPU for deep learning with Python
• Configuring macOS for deep learning with Python

预配置的实例：

• Amazon AMI for deep learning with Python
• Microsoft’s data science virtual machine (