cnn 实现图片识别

在入门之后需要对机器学习的一些思维和方法体验下2333

一个github上的一些源码变式，体验一下现在深度学习识别图片的速度之快，准确度之好。

使用了Tensorflow里的高级神经网络库，使用其keras.applications模块获取在ILSVRC竞赛中获胜的多个卷积网络模型，可识别物体量从10类增加到1001类，可为：狗熊 椅子 汽车 键盘 箱子 婴儿床 旗杆iPod播放器 轮船 面包车 项链 降落伞 桌子 钱包 球拍 步枪等等
接着导入ResNet50网络模型进行处理，主要图像数据处理函数如下：


image.img_to_array：将PIL格式的图像转换为numpy数组。


np.expand_dims：将我们的(3，224，224)大小的图像转换为(1，3，224，224)。因为model.predict函数需要4维数组作为输入，其中第4维为每批预测图像的数量。这也就是说，我们可以一次性分类多个图像。


preprocess_input：使用训练数据集中的平均通道值对图像数据进行零值处理，即使得图像所有点的和为0。这是非常重要的步骤，如果跳过，将大大影响实际预测效果。这个步骤称为数据归一化。


model.predict：对我们的数据分批处理并返回预测值。


decode_predictions：采用与model.predict函数相同的编码标签，并从ImageNet ILSVRC集返回可读的标签。
然后通过调用官方api，得到了这个classfier，可以读取同目录下images文件夹里的指定命名的图片，这个分类器在我的笔记本tensorflow中训练差不多需要两个小时的时间，训练好之后实际识别的速率快达1~2分钟一张图，准确率高达90%以上

代码：

GUI:(PyQt5)

from PyQt5 import QtWidgets
from PyQt5.QtWidgets import QFileDialog
from PyQt5 import QtCore, QtGui
import classify
class MyWindow(QtWidgets.QWidget):
    def __init__(self):
        super(MyWindow, self).__init__()
        self.setObjectName("widget")
        self.resize(490, 506)
        self.setMinimumSize(QtCore.QSize(100, 100))
        self.setCursor(QtGui.QCursor(QtCore.Qt.ArrowCursor))
        self.gridLayoutWidget = QtWidgets.QWidget(self)
        self.gridLayoutWidget.setGeometry(QtCore.QRect(60, 120, 381, 301))
        self.gridLayoutWidget.setObjectName("gridLayoutWi