CNN预测车辆方向盘角度和油门

数据来源：

数据来源是unity公司的模拟器，通过自己驾驶录制，会产生图片文件和csv文件
csv文件包括：center、left、right、steering、throttle、brake、speed

我们只需要使用其中的center、left、right三列即可。

csv文件数据格式如下：

图片文件夹如下：

需求分析

通过给定图片和csv文件信息，训练一个model，该model能够通过输入一张图片预测方向盘转角和油门大小。

设计 

1. 读取csv文件信息，判断csv文件行 == 图片数量 * 3
2. 将需要的三列数据提取出来，并shuffle，通过train_test_split分割训练集和验证集
3. 设置输入图片大小，根据输入大小构建CNN模型
4. ModelCheckpoint保存最优模型、EarlyStopping检测变量、fit_generator训练模型
5. 保存model
6. 通过model进行test

编码

读取csv文件信息，判断csv文件行 == 图片数量 * 3。

if __name__ == "__main__":
    # cvs文件路径
    data_path = '/Users/qishi/Documents/car/'
    # 打开csv文件
    with open(data_path + 'driving_log.csv', 'r') as csvfile:
        # 读文件
        file_reader = csv.reader(csvfile, delimiter=',')
        # 把文件信息放在log列表中
        log = []
        for row in file_reader:
            log.append(row)
    # 将列表转化为数组
    log = np.array(log)
    # 去掉文件第一行
    # log = log[0:, :]

    # 判断图像文件数量是否等于csv日志文件中记录的数量
    ls_imgs = glob.glob(data_path + 'IMG/*.jpg')
    assert len(ls_imgs) == len(log) * 3, 'number of images does not match'

将需要的三列数据提取出来，并shuffle，通过train_test_split分割训练集和验证集。

    # 使用20%的数据作为测试数据
    validation_ratio = 0.2
    # 图片大小
    shape = (128, 128, 3)
    # 每训练一次训练几张图片
    batch_size = 32
    # 训练次数，之后改为32
    nb_epoch = 32

    # 图像文件名
    x_ = log[:, 0]
    # 转角
    y_ = log[:, 3].astype(float)
    # 油量
    z_ = log[:, 4].astype(float)
    print(x_.shape)
    print(y_.shape)
    print(z_.shape)
    # 一起洗牌，对应信息不变
    x_, y_, z_ = shuffle(x_, y_, z_)
    # 训练集和验证集，20%验证，80%测试
    # random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样
    # 当你用sklearn分割完测试集和训练集，确定模型和初始参数以后，你会发现程序每运行一次，都会得到不同的准确率，无法调参。这个时候就是因为没有加random_state。加上以后就可以调参了
    X_train, X_val, y_train, y_val, z_train, z_val = train_test_split(x_, y_, z_, test_size=validation_ratio,
                                                                      random_state=SEED)

    print('batch size: {}'.format(batch_size))
    print('Tr