7月7日更新
Keras实战——人脸表情识别(二)模型的调用与使用
https://blog.csdn.net/pmj110119/article/details/94991244
代码下载地址
CSDN:https://download.csdn.net/download/pmj110119/11293264
百度云:https://pan.baidu.com/s/16ZgaX3J_6na6Y9-Uh--70g 提取码:6sk4
先放几张识别结果图,以吸引眼球 T_T
没用过keras的请先花半小时点下前置技能点
keras中文文档:https://download.csdn.net/download/pmj110119/11286320
非常简单易懂,看完后就能开始实战啦。
整体框架:
搭建一个class类,用子函数实现模型的build、train、save,一步到位
class Model:
def __init__(self):
#声明一个成员变量model
self.model = None
def build_model(self):
#搭建网络结构
def train_model(self):
#模型训练
def save_model(self):
#保存训练好的模型
一、build_model ——搭建网络结构
使用Sequential结构,按照顺序将每一层add进去即可
(keras的Sequential()是非常简单好用的,直接看代码,顾名思义就能懂)
二、train_model()——数据集的预处理、模型的训练
首先,使用Keras的图片生成器(ImageDataGenerator)完成数据的预处理和图片的提取。训练时,生成器会自动且无限的从所给的路径中提取图片,生成一个batch的图像数据,输入给网络进行训练。直到达到规定的epoch次数为止。
(生成器ImageDataGenerator的具体用法在中文文档里有详细的介绍)
数据预处理
1).对训练集的图片进行数据增强
train_datagen = ImageDataGenerator(
rescale = 1./255, #重放缩因子,数值乘以1.0/255(归一化)
shear_range = 0.2, #剪切强度(逆时针方向的剪切变换角度)
zoom_range = 0.2, #随机缩放的幅度
#进行随机水平翻转
horizontal_flip=True)
2).对验证集、测试集的图片进行归一化处理
val_datagen = ImageDataGenerator(
rescale = 1./255)
eval_datagen = ImageDataGenerator(
rescale = 1./255)
需注意,此时我们还没有真正的处理数据集里面的图片,只是生成了三个实例对象 train_datagen、val_datagen、eval_datagen,在它们的属性中记录了提取图片后,需要先对数据做哪些事情。
提取数据集图片
调用生成器对象的 flow_from_directory(directory) 函数。derectory参数为数据集存放的路径,所有图片按类别放置在不同的子文件中。例如第一类图片存放在 ‘0’ 文件夹,第二类图片存放在 ‘1’ 文件夹,以此作为类别标签。
根据数据集的特点,进行一些设置。以下为训练集图片的提取
train_generator = train_datagen.flow_from_directory(
root_path+'/train', #dictory参数,该路径下的所有子文件夹的图片都会被生成器使用,无限产生batch数据
target_size=(img_size,img_size), #图片将被resize成该尺寸
color_mode='grayscale', #颜色模式,graycsale或rgb(默认rgb)
batch_size=batch_siz, #batch数据的大小,默认为32
class_mode='categorical') #返回的标签形式,默认为‘category’,返回2D的独热码标签
验证集和测试集用同样的方法设置,实例对象分别换成 val_datagen、eval_datagen。
开始训练
调用Sequential的 fit_generator() 函数,进行一些设置。其中使用了之前配置好的图片生成器。
history_fit=self.model.fit_generator(
train_generator, #generator参数,生成训练集的生成器
steps_per_epoch=800/(batch_siz/32),#28709 生成器返回这么多次数据时记为一个epoch结束,执行下一个epoch
nb_epoch=nb_epoch, #数据迭代轮数
validation_data=val_generator, #生成验证集的生成器
validation_steps=2000, #指定验证集的生成器返回次数
#callbacks=[early_stopping]
)
迭代次数达到epoch后,模型就训练好啦,接下来对预测集的图片进行预测
history_predict=self.model.predict_generator(
eval_generator,
steps=2000)
至此,模型训练完毕
三、save_model——模型保存
这一步没什么好说的
def save_model(self):
model_json=self.model.to_json()
with open(root_path+"/model_json.json", "w") as json_file:
json_file.write(model_json)
self.model.save_weights(root_path+'/model_weight.h5')
self.model.save(root_path+'/model.h5')
print('model saved')
四、主函数调用
按次序执行 buidl、train、save 即可
if __name__=='__main__':
model=Model()
model.build_model()
print('model built')
model.train_model()
print('model trained')
model.save_model()
print('model saved')