Kaggle-花朵分类任务-2

花朵分类任务-2

1. 图像数据的获取和转换

1.1 文件

flowers/category_name/image
文件夹地址单独设定：

FLOWER_DAISY_DIR='./flowers/daisy'
FLOWER_SUNFLOWER_DIR='./flowers/sunflower'
FLOWER_TULIP_DIR='./flowers/tulip'
FLOWER_DANDI_DIR='./flowers/dandelion'
FLOWER_ROSE_DIR='./flowers/rose'

1.2 图片数据的转换

• X=[ ]是存放图片数据的list, Z=[ ]是存放图片标签的list
  
• X.shape = (m, 150, 150, 3)   使用cv2读取图片
  
• 分别读取每一类的所有图片

img = cv2.imread(path,cv2.IMREAD_COLOR) # 读取图片
img = cv2.resize(img, (IMG_SIZE,IMG_SIZE)) # 统一大小 150 * 150
#img.shape = (150, 150, 3)
#X.shape = (m, 150, 150, 3) m是图片数量
#此时X的形式已经固定-tensor
X.append(np.array(img)) # 存放图片数据 
Z.append(str(label)) # 存放图片标签

此时X已是tensor形式，Z中元素为str形式，按读取顺序排列

如：Z = [‘daisy’,‘daisy’…‘rose’,‘rose’…]

1.3 数据的编码

将数据转换为可以进行训练的格式:

# Label都在Z[]中，将标签转为数字编码，再变为one-hot编码
le=LabelEncoder()
Y=le.fit_transform(Z) # 将标签变为数字，按标签的首字母排序，从0-4
Y=to_categorical(Y,5) # one-hot
# 现在X还是list，里面的元素是np.array(img)
X=np.array(X) # 将其转为np数组
X=X/255 # 归一化

# 此时X是图片数据，Y是标签数据

X不多赘述，Y进行了两次编码，从str到数字编码到one-hot

所以最后才能用数字编码进行反变换生成标签

1.4 数据集划分

• 此时已经得到可以用于训练的格式，但还是顺序的，还需要划分训练集和验证集，以及乱序
  
• 使用sklearn的train_test_split()函数，具体用法自行搜索
  得到训练集和测试集，打乱顺序，并且可以按照比例划分

2.模型构建

2.1 数据增强

使用Keras自带的ImageDataGenerator函数，用法自行查看手册

• 随机旋转、随机缩放、随机水平垂直平移三种方法

2.2 CNN构建

Use your imagination 😃

2.3 优化算法-LR Annealer

和学习率衰减类似，当学习停滞时，降低学习率

利用Keras的Callback实现

2.4 结果评估

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
==============================================================