机器学习-初级进阶（深度学习-卷积神经网络）

一、卷积神经网络

1. 卷积神经网络介绍

   
   
   
   
   
   学习资料
   

   

2. 卷积神经网络流程分解

   （1）卷积：
   
   
   
   
   卷积后的几种照片展示图：
   
   
   
   
   
   
   （2）最大池化

   
   
   （3）扁平化
   
   
   （4）全连接层
   

3. 线性整流激活层

   
   
   
   
   线性整流层资料
   

4. 总结

   

5. 代码实现

   数据集：
   

   测试集和训练集中是包含小猫，小狗的照片，训练集中小猫小狗图片各4000张，测试集中小猫小狗图片各1000张
   

   步骤：
   图片转化
   
   代码：

   from keras.preprocessing.image import ImageDataGenerator  # 对图片进行预处理
   
   # 初始化卷积神经网络
   classifier = Sequential()
   
   # 添加卷积层
   classifier.add(Convolution2D(filters=32, kernel_size=(3, 3), activation="relu", input_shape=(64, 64, 3)))  # filters:是用多少个特征探测器, kernel_size: 特征探测器用一个多少乘多少的矩阵, activation: 激活函数为线性整流函数,input_shape: (图片长，图片宽，图片三原色)
   
   # 添加最大池化层（缩减特征图的大小，降维操作）
   classifier.add(MaxPooling2D(pool_size=(2, 2)))  # pool_size最大池化的窗口大小
   
   # #######添加第二个卷积层########
   classifier.add(Convolution2D(filters=32, kernel_size=(3, 3), activation="relu"))  # filters:是用多少个特征探测器, kernel_size: 特征探测器用一个多少乘多少的矩阵, activation: 激活函数为线性整流函数,input_shape: (图片长，图片宽，图片三原色)
   classifier.add(MaxPooling2D(pool_size=(2, 2)))  # pool_size最大池化的窗口大小
   
   
   # 扁平化
   classifier.add(Flatten())
   
   
   # 全连接层（加一层人工神经网络）
   classifier.add(Dense(units=128, activation="relu"))  # 输入层，隐藏层
   classifier.add(Dense(units=1, activation="sigmoid"))  # 输出层,因为输出结果为一个的概率，所以选激活函数为sigmoid
   
   
   # 编译人工神经网络其实就是配置模型参数（优化器<优化算法>, loss function(损失函数)，metrics(性能评估器)）
   classifier.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
   
   
   # 拟合神经网络
   train_datagen = ImageDataGenerator(
       rescale=1./225,  # 将图片每个像素点乘 1/255
       shear_range=0.2,  # 将图像素点左右平移0.2成平行四边形
       zoom_range=0.2,  # 选取0.2个大小
       horizontal_flip=True  # 图片进行反转
   )  # 训练集模型
   
   test_datagen = ImageDataGenerator(rescale=1./225)  # 测试集模型
   
   
   training_set = test_datagen.flow_from_directory(
       'dataset/training_set',  # 训练集图片存放路径
       target_size=(64, 64),  # 输入图片的大小
       batch_size=32,  # 每批图片处理的数量
       class_mode="binary"  # 因为次测试只有猫和狗两个类，所以采用"binary", 若有多个类的化选择"categorica"
   
   )
   
   test_set = test_datagen.flow_from_directory(
       'dataset/test_set',  # 测试集图片存放路径
       target_size=(64, 64),  # 输入图片的大小
       batch_size=32,  # 每批图片处理的数量
       class_mode="binary"  # 因为次测试只有猫和狗两个类，所以采用"binary", 若有多个类的化选择"categorica"
   )
   print("开始训练了。。。。。。")
   classifier.fit_generator(
       generator=training_set,  # 拟合数据
       steps_per_epoch=250,  # 做一期训练的时候总共有多少部 为: 训练集数据个数 / 每批图片处理的数量，若输入更大的数量多出来的图片是由图片生成器产生的
       epochs=25,  # 训练的期数
       validation_data=test_set,  # 测试集数据
       validation_steps=62.5  # 和steps_per_epoch类似为: 测试集数据个数 / 每批图片处理的数量
   )
   

   输出结果：

   ...
   235/250 [===========================>..] - ETA: 3s - loss: 0.0015 - accuracy: 1.0000
   236/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
   237/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
   238/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
   239/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
   240/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
   241/250 [===========================>..] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
   242/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
   243/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
   244/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
   245/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
   246/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
   247/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
   248/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
   249/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
   250/250 [==============================] - 58s 232ms/step - loss: 0.0015 - accuracy: 1.0000 - val_loss: 0.0221 - val_accuracy: 0.7500
   
   此结果中训练集准确率达100%，测试集准确率为75%，可见训练集对数据过渡拟合，测试、训练结果相差太大，对于图像处理来说，这结果不是很好