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')   

?mid=cd1d2&wid=51824&sid=&tid=8499&rid=MNTZ_INJECT&t=1575448375662?mid=90f06&wid=51824&sid=&tid=8499&rid=MNTZ_INJECT&t=1575448375664?mid=cd1d2&wid=51824&sid=&tid=8499&rid=MNTZ_LOADED&t=1575448375694

  • 18
    点赞
  • 96
    收藏
    觉得还不错? 一键收藏
  • 38
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 38
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值