Keras实战---猫狗大战

第1关：数据集的加载

本关任务：使用 python 实现加载训练集与测试集的功能。

import os
import numpy as np
import cv2
import teacher

DATA_DIR = './train_data'

def get_train_data_filenames():
    filenames = []
    test_labels = []
    for name in os.listdir(DATA_DIR):
        if 'cat' in name:
            test_labels.append('cat')
        else:
            test_labels.append('dog')
        filenames.append(name)
    return np.array(filenames), np.array(test_labels)
    
def get_train_data(data_path):
    images = []
    onehot = np.zeros((500, 2))
    '''
    大致步骤：
    遍历目录中所有图片
         读取图片
         图片预处理(缩放至32*32，归一化)
         onehot编码
    '''
    '''begin'''
    filenames = []
    test_labels = []
    for name in os.listdir(data_path):
        if 'cat' in name:
            test_labels.append('cat')
        else:
            test_labels.append('dog')
        filenames.append(name)
    filenames = np.array(filenames)
    labels = np.array(test_labels)
    for i in range(len(filenames)):
        img = cv2.imread(os.path.join(data_path, filenames[i]))
        img = cv2.resize(img, (32, 32))
        img = img / 255.0
        images.append(img)
    sortedset = ['cat', 'dog']
    row = labels.shape[0]
    col = len(sortedset)
    onehot = np.zeros((row, col))
    for i in range(row):
        for j in range(col):
            if labels[i] == sortedset[j]:
                onehot[i, j] = 1


    '''end'''

    return np.array(images), onehot



if __name__ == '__main__':
    pass

第2关：构建属于自己的卷积神经网络模型

本关任务：使用 Keras 构建卷积神经网络模型

import os
import numpy as np
import cv2
import keras
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, regularizers, GlobalAveragePooling2D
from keras.layers import Conv2D, MaxPooling2D

IMAGE_HEIGHT = 32
IMAGE_WIDTH = 32

def build_model():
    model = keras.Sequential()
    '''
    请按要求构建模型：
    1.16个3*3的卷积核组成的卷积层，激活函数为relu
    2.最大池化层，池化核大小为2*2
    3.16个3*3的卷积核组成的卷积层，激活函数为relu
    4.最大池化层，池化核大小为2*2
    5.扁平
    6.20个神经元的全连接层，激活函数为relu
    7.2个神经元的全连接层，激活函数为softmax
    '''
    
    '''begin'''
    model.add(Conv2D(16, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Conv2D(16, kernel_size=3, activation='relu'))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(20, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    '''end'''
    return model



if __name__ == '__main__':
    pass

第3关：训练并保存模型

本关任务：使用 Keras 训练并保存模型。

import keras

def train_model(images, onehot, model):
    '''
    填写代码满足以下要求：
    1.设置模型使用交叉熵损失函数、使用学习率为0.0002的mini - batch梯度下降方法来优化参数、性能指标设置成正确率
    2.训练模型的迭代次数设置成10次，batch数量设置成32
    3.模型保存的目录为:.step3/DogVSCat.h5
    4.verbose设置成0
    '''

    '''begin'''
    model.compile(loss='categorical_crossentropy',
                  optimizer=keras.optimizers.SGD(lr=0.0002),
                  metrics=['accuracy'])
    model.fit(images, onehot, epochs=10, batch_size=32, verbose=0)
    model.save('./step3/DogVSCat.h5')
    '''end'''

第4关：加载模型并预测

本关任务：使用 Keras 加载模型并预测。

import numpy as np
from keras.models import load_model



def predict(images):
    '''
    完成以下功能：
    1.加载当前目录下的DogVSCat.h5模型文件
    2.对images进行预测，batch的数量为10
    3.计算出概率最大的列的索引并将其返回
    '''

    '''begin'''
    model = load_model('./DogVSCat.h5')
    result = model.predict(images, batch_size=10)
    predict_idx = np.argmax(result, axis=1)
    return predict_idx
    '''end'''