Keras框架下的猫狗识别（二）

Tensorflow学习（使用jupyter notebook）

Keras框架下的猫狗识别（一）

---

前言

紧接上文
Keras框架下的猫狗识别（一）

  上文提到对于数据集的提前处理方法和技巧，而在这篇博客中，我们继续进行对该识别模型的构建和训练验证。   该模型是基于最简单的CNN模型，并不保证其较高的准确性，目的只是为了熟悉CNN神经网络的简单构建。

一、数据预处理

Keras框架下的猫狗识别（一）

  在上一篇博客中，博主已经将数据预处理的内容和技巧简述大概。这里就不再多余重复。这篇博客的重点是CNN暑假网络的构建方法和流程。

二、使用步骤

1.引入库

代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Convolution2D, MaxPooling2D
from tensorflow.keras.layers import Activation, Dropout, Flatten, Dense
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import os

  首先，最重要的还是要先引入模型训练所需要的库来作为模型搭建的基础。这里我先对引入的库做一个大概的介绍：

Sequential：字面上的翻译是顺序，但是在这里可就不是简单的连续了。相反的，Sequential模型可以构建非常复杂的神经网络，包括全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、等等。

Convolution2D：卷积层，一般用在和图像处理有关的模型构建中

MaxPooling2D：池化层

Activatione：激活函数，一般常用的激活函数有 relu、valid

Dropout,：Dropout可以比较有效的缓解过拟合的发生，在一定程度上达到正则化的效果。

Flatten：Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡

Dense：Dense layer 就是常提到和用到的全连接层

Adam：优化器

ImageDataGenerator：用以对数据文件的处理

2.定义模型

代码如下：

#定义模型
model = Sequential()
model.add(Convolution2D(input_shape=(150,150,3), filters=32, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(Convolution2D(filters=32, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(MaxPooling2D(pool_size=2, strides=2, padding='valid'))

model.add(Convolution2D(filters=64, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(Convolution2D(filters=64, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(MaxPooling2D(pool_size=2, strides=2, padding='valid'))

model.add(Convolution2D(filters=128, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(Convolution2D(filters=128, kernel_size=3, strides=1, padding='same', activation = 'relu'))
model.add(MaxPooling2D(pool_size=2, strides=2, padding='valid'))

model.add(Flatten())
model.add(Dense(64,activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(2,activation = 'softmax'))

# 定义优化器
adam = Adam(lr=1e-4)

# 定义优化器，loss function，训练过程中计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])

model.summary()

  这里的就是搭建了一段简单的CNN神经网络，使用卷积层、池化层、全连接层 、Flatten层相互堆叠而形成的一个拥有2941，410神经元的神经网络模型。   当然，笔者这里构建的神经网络只是一个示范。这样构建的神经网络也可能是导致最后模型准确度不高的原因之一。对于神经网络的搭建，仍然有着更好的方法来搭建更好的模型来使得准确性提高，同时也可以极大的缩短训练所需要的时间。

3.训练数据生成

代码如下：

# 训练集数据处理
train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

# 测试集数据处理
test_datagen = ImageDataGenerator(rescale=1./255)

batch_size = 32
# 生成训练数据
train_generator = train_datagen.flow_from_directory(
        'train',  # 训练数据路径
        target_size=(150, 150),  # 设置图片大小
        batch_size=batch_size # 批次大小
        ) 

# 测试数据
test_generator = test_datagen.flow_from_directory(
        'test',  # 训练数据路径
        target_size=(150, 150),  # 设置图片大小
        batch_size=batch_size # 批次大小
        )

  在经过了上篇博客的数据预处理后，在这一步我们所需要完成的任务就少了很多，我们只需要生成训练数据集和测试数据集即可。   这里的操作也相当的简单，但有一点要说的就是：rescale=1./255，这里的操作是对图片格式进行归一化处理，而归一化处理在深度学习中起着奇效，通过归一化处理，可以大大降低损失，提高准确度。

4.训练开始

  至此，我们就完成了所有的前期工作，接下来，我们便可以开始训练模型了。 代码如下：

model.fit_generator(
        train_generator,
        steps_per_epoch=totalFileCount/batch_size,
        epochs=10,
        validation_data=test_generator,
        validation_steps=1000/batch_size,
        )

  对于这个训练，有几个参数需要说明下：

train_generator：这就是上一步所生成的训练数据集。

validation_data：而这就是我们需要传入的上一步所生成的测试集。需要注意的是这里并不能像train_generator那样写法，必须得validation_data=test_generator这样写，带有validation_data=这样的赋值关系。

steps_per_epoch：使用训练集训练时，每次训练时使用完图片所需要的次数，受到batch_size（批次大小）和totalFileCount（文件总数）的影响。

validation_steps：使用测试集测试准确性时，每次测试时使用完图片所需要的次数，受到batch_size（批次大小）和totalFileCount（文件总数）的影响。

epochs：训练次数。但需要注意到是，训练次数越大，并不代表训练的效果会越好，并且训练次数一旦增大，所需要的时间也会增加。

  由于笔者只是为了熟悉其操作，对于准确性要求并不是那么高，便只是达到了0.7427的准确度。

5.保存模型

代码如下：

model.save('CNN.h5')

  将适合的模型保存。

总结

  综上，再结合之前的博客，便是构建CNN神经网络的主要操作过程了。后续会继续完成VGG16模型这一块的博客。   由于博主也是刚开始学习，如有不足和问题，请指正。