keras实例之猫狗大战

猫狗大战

即使用keras库训练模型,然后识别猫狗图片/照片

keras简介

Keras 是一个用 Python 编写的高级神经网络 API,它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。
Keras 兼容的 Python 版本: Python 2.7-3.6。
一定要下载兼容的版本

Python中安装keras库

  • 先前准备
    在安装Keras之前,请安装以下后端之一:TensorFlow,Theano,或者 CNTK。推荐使用TensorFlow后端。

  • 安装TensorFlow
    bash pip install --upgrade --ignore-installed tensorflow
    下载的很慢,耐心等待

  • 安装keras
    bash pip install keras

  • 验证安装
    tensorflow与keras验证安装

keras实战-猫狗大战

  • 训练集以及测试集

  • 训练集说明
    大概是一万多张图片,我只用了不到一半的图片来训练

  • 项目目录
    项目目录

  • 训练结果
    keras猫狗大战训练结果训练次数的准确度在这里插入图片描述

  • 预测结果
    猫狗大战预测结果

  • 示例程序

#utf-8
from __future__ import print_function
import keras
from keras.models import Sequential, load_model
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.preprocessing import  image
import  numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import os
import random
import matplotlib as mpl
from matplotlib.image import imread


batch_size = 128
num_classes = 10
epochs = 12#次数
img_rows, img_cols = 28, 28
classs1 = {
   1:'狗',0:'猫'}
classes2={
   'cat':0,'dog':1}
"""
train文件夹下
    0 : 猫🐱
    1 : 狗🐕
"""
#文件转换为 np 数组 用于predict
def image_file_nparray(image_path, width=100,height=100):
    img = image.load_img(image_path, target_size=(width,height))
    img = image.img_to_array(img)
    x = np.expand_dims(img, axis=0)
    return x
#裁剪单个图片
def convert_one_image(file_path,width=100,height=100):
    img = Image.open(file_path)
    try:
        new_img = img.resize((width,height), Image.BILINEAR)
        new_img.save(file_path)
    except Exception as e:
        print("convert image error"
  • 3
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
addition_rnn.py 执行序列学习以执行两个数字(作为字符串)的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络,以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化VGG16的过滤器。 conv_lstm.py 演示使用卷积LSTM网络。 deep_dream.py 深深的梦想在克拉斯。 image_ocr.py 训练一个卷积堆叠,后跟一个循环堆栈和一个CTC logloss函数来执行光学字符识别(OCR)。 imdb_bidirectional_lstm.py 在IMDB情绪分类任务上训练双向LSTM。 imdb_cnn.py 演示使用Convolution1D进行文本分类。 imdb_cnn_lstm.py 在IMDB情绪分类任务上训练一个卷积堆栈,后跟一个循环堆栈网络。 imdb_fasttext.py 在IMDB情绪分类任务上训练一个FastText模型。 imdb_lstm.py 在IMDB情绪分类任务上训练一个LSTM。 lstm_benchmark.py 比较IMDB情绪分类任务上不同的LSTM实现。 lstm_text_generation.py 生成尼采文字的文字。 mnist_acgan.py 在MNIST数据集上实现AC-GAN(辅助分类器GAN) mnist_cnn.py 在MNIST数据集上训练一个简单的convnet。 mnist_hierarchical_rnn.py 训练一个分级RNN(HRNN)来分类MNIST数字。 mnist_irnn.py Le等人在“以简单的方式初始化整流线性单元的反复网络”中再现具有逐像素连续MNIST的IRNN实验。 mnist_mlp.py 在MNIST数据集上训练一个简单的深层多层感知器。 mnist_net2net.py 在“Net2Net:通过知识转移加速学习”中再现带有MNIST的Net2Net实验。 mnist_siamese_graph.py 从MNIST数据集中的一对数字上训练暹罗多层感知器。 mnist_sklearn_wrapper.py 演示如何使用sklearn包装器。 mnist_swwae.py 列出了一个堆栈,其中AutoEncoder在MNIST数据集上的剩余块上构建。 mnist_transfer_cnn.py 转移学习玩具的例子。 neural_doodle.py 神经涂鸦。 neural_style_transfer.py 神经样式转移。 pretrained_word_embeddings.py 将预训练的词嵌入(GloVe embeddings)加载到冻结的Keras嵌入层中,并使用它在20个新闻组数据集上训练文本分类模型。 reuters_mlp.py 在路透社newswire主题分类任务上训练并评估一个简单的MLP。 stateful_lstm.py 演示如何使用有状态的RNN有效地建模长序列。 variational_autoencoder.py 演示如何构建变体自动编码器。 variational_autoencoder_deconv.py 演示如何使用反褶积层使用Keras构建变体自动编码器。
好的,以下是使用Keras进行识别的简单代码。 首先,我们需要准备数据集。可以从Kaggle上下载分类的数据集,地址为 https://www.kaggle.com/c/dogs-vs-cats/data。 下载完后,我们需要解压缩数据集,并将训练集和测试集分别放到两个文件夹中,用于训练和测试模型。 接下来,我们使用Keras搭建模型。这里我们使用卷积神经网络(CNN)进行训练和测试。代码如下: ```python from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense # 定义模型 model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=(150, 150, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(512, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) # 训练模型 from keras.preprocessing.image import ImageDataGenerator train_datagen = ImageDataGenerator(rescale=1./255) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( 'train', target_size=(150, 150), batch_size=20, class_mode='binary') validation_generator = test_datagen.flow_from_directory( 'test', target_size=(150, 150), batch_size=20, class_mode='binary') model.fit_generator( train_generator, steps_per_epoch=100, epochs=30, validation_data=validation_generator, validation_steps=50) # 保存模型 model.save('cat_dog_cnn.h5') ``` 上面的代码中,我们使用了四个卷积层和四个池化层,最后使用一个全连接层和一个输出层。我们使用了ImageDataGenerator对图像进行预处理和增强,然后使用fit_generator方法对模型进行训练。最后,我们将训练好的模型保存到cat_dog_cnn.h5文件中。 接下来,我们可以使用训练好的模型进行识别。代码如下: ```python from keras.models import load_model from keras.preprocessing.image import load_img, img_to_array import numpy as np # 加载模型 model = load_model('cat_dog_cnn.h5') # 加载图像 img = load_img('test/cat.1.jpg', target_size=(150, 150)) x = img_to_array(img) x = np.expand_dims(x, axis=0) x = x / 255.0 # 预测图像 prediction = model.predict(x) if prediction[0][0] < 0.5: print('') else: print('') ``` 上面的代码中,我们首先加载训练好的模型,然后加载测试图像,并进行预处理。最后使用predict方法对图像进行预测,输出预测结果。

“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
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