Keras实战——人脸表情识别（一）模型的搭建和训练

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')