lsh呵呵的专栏

埋在一座城,关了所有灯

keras分类猫狗数据(中)使用CNN分类模型

keras分类猫狗数据(上)数据预处理
keras分类猫狗数据(中)使用CNN分类模型
keras分类猫狗数据(下)迁移学习
keras分类猫狗数据(番外篇)深度学习CNN连接SVM分类

1 . 如下代码,数据增强,并根据文件夹创建数据流。

from keras.preprocessing.image import ImageDataGenerator

train_dir="E:/MLdata/kaggle_Dogsvs.Cats/min_trainfordata/train"

test_dir="E:/MLdata/kaggle_Dogsvs.Cats/min_trainfordata/test"

train_pic_gen=ImageDataGenerator(rescale=1./255,rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,
                                 shear_range=0.2,zoom_range=0.5,horizontal_flip=True,fill_mode='nearest')

test_pic_gen=ImageDataGenerator(rescale=1./255)


train_flow=train_pic_gen.flow_from_directory(train_dir,(128,128),batch_size=32,class_mode='binary')

test_flow=test_pic_gen.flow_from_directory(test_dir,(128,128),batch_size=32,class_mode='binary')

# print(train_flow.class_indices)

2 .构建模型并训练

from keras.models import Sequential
from keras.layers import Convolution2D,MaxPool2D,Flatten,Dense,Dropout
from keras.callbacks import TensorBoard

model=Sequential([
    Convolution2D(32,3,3,input_shape=(128,128,3),activation='relu'),
    MaxPool2D(pool_size=(2,2)),
    Convolution2D(64,3,3,input_shape=(128,128,3),activation='relu'),
    MaxPool2D(pool_size=(2,2)),
    Flatten(),
    Dense(64,activation='relu'),
    Dropout(0.5),
    Dense(1,activation='sigmoid')
])

model.summary()

model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])

import catvsdogs.morph as morph

model.fit_generator(
    morph.train_flow,steps_per_epoch=100,epochs=50,verbose=1,validation_data=morph.test_flow,validation_steps=100,
    callbacks=[TensorBoard(log_dir='./logs/1')]
)

model.save('outputs/catdogs_model.h5')

这里写图片描述

3 .也可以将步骤2的模型数据重新加载继续训练。

from keras.callbacks import TensorBoard
from keras.models import load_model

model=load_model('outputs/catdogs_model.h5')

model.summary()

import catvsdogs.morph as morph

model.fit_generator(
    morph.train_flow,steps_per_epoch=100,epochs=50,verbose=1,validation_data=morph.test_flow,validation_steps=100,
    callbacks=[TensorBoard(log_dir='./logs/2')]
)

model.save('outputs/catdogs_model.h5')

4 . 以下加载模型数据并参与预测:

from keras import models
import numpy as np
import cv2

def get_inputs(src=[]):
    pre_x = []
    for s in src:
        input = cv2.imread(s)
        input = cv2.resize(input, (128, 128))
        input = cv2.cvtColor(input, cv2.COLOR_BGR2RGB)
        pre_x.append(input)  # input一张图片
    pre_x = np.array(pre_x) / 255.0
    return pre_x

def put_prey(pre_y,label):
    output=[]
    for y in pre_y:
        if y[0]<0.5:#二分类,此处只用一个神经元输出
            output.append([label[0],1-y[0]])
        else:
            output.append([label[1], y[0]])
    return output

model=models.load_model('outputs/catdogs_model.h5')

pre_x=get_inputs(['../data/rotman.jpg','../data/cat.jpg'])


pre_y=model.predict(pre_x)

import catvsdogs.morph as mp
output=put_prey(pre_y,list(mp.train_flow.class_indices.keys()))
print(output)

[[‘dogs’, 0.8959254], [‘cats’, 0.6214156150817871]]

测试所用图片:
这里写图片描述
5 .第二次训练验证数据正确率和损失如下:
这里写图片描述
可以看到准确率在0.78左右。

阅读更多
版权声明:本文为博主原创文章,转载请注明出处 https://blog.csdn.net/nima1994/article/details/79951445
个人分类: python
所属专栏: 机器学习入门与放弃
想对作者说点什么? 我来说一句

猫狗识别数据

2018年03月10日 65B 下载

基于卷积神经网络的猫种类识别

2018年01月16日 30.67MB 下载

没有更多推荐了,返回首页

不良信息举报

keras分类猫狗数据(中)使用CNN分类模型

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭