本文详细介绍了如何使用Keras和卷积神经网络（CNN）构建一个模型，以识别不同类型的神奇宝贝，如妙蛙种子、小火龙等。作者通过创建SmallerVGGNet结构，训练了一个CNN，最终达到了97%的分类准确率。文章涵盖了数据集的构建、CNN的结构、训练脚本以及模型评估，还讨论了模型的局限性和可能的改进方法。
作者：ADRIAN ROSEBROCK
翻译：张恬钰
校对：万文菁
本文8500字，建议阅读30+分钟。
本文将讲解如何用Keras和卷积神经网络（CNN）来建立模型识别神奇宝贝！
用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具
简介
今天的博客内容是构建完整端对端图像分类+深度学习应用系列的第二部分。
第一部分：如何（快速）建立一个深度学习的图像数据库
第二部分：Keras和卷积神经网络（今天的内容）
第三部分：在iOS上运行Keras模型（下周发布）
在今天博客的最后，你将会了解如何在你自己的数据库中建立、训练并评估一个卷积神经网络。
在下周的博客中，我将会向你展示如何仅用几行代码就把你训练出来的Keras模型用在智能手机的app上。
为了让这个系列轻松、愉快，我决定实现我童年的一个梦想，那就是构造一个神奇宝贝图鉴。神奇宝贝图鉴是于神奇宝贝（一部很火的动画片、电子游戏和集换卡系列）世界中的一个设备（我曾经是以及现在还是神奇宝贝的大粉丝）。
如果你对于神奇宝贝不了解，你可以把神奇宝贝图鉴想象成一个可以识别神奇宝贝（一个长得像动物、存在于在神奇宝贝世界的生物）的智能手机app。
当然你也可以换成你自己的数据，我只是觉得很有趣并且在做一件很怀旧的事情。
想要知道如何在你自己的数据库中用Keras和深度学习训练一个卷积神经网络，继续往下读就行了。
目录
1.Keras和卷积神经网络
我们的深度学习数据库
卷积神经网络和Keras项目的结构
Keras和CNN结构
完成我们的CNN+Keras训练脚本
用Keras训练CNN
创造CNN和Keras训练脚本
用CNN和Keras分类图片
该模型的局限性
我们能否使用这个Keras深度学习模型建一个REST API？
2.总结
Keras和卷积神经网络
在上周的博文中，我们学习了如何能快速建立一个深度学习的图像数据库——我们使用了博文中的过程和代码来收集、下载和组织电脑上的图像。
既然已有下载并组织好的图像，下一步就是在数据上训练一个卷积神经网络（CNN）。
我将会在今天的博文中向你展示如何用Keras和深度学习来训练你的CNN。下周将要发布这个系列的最后一部分，将会向你展示你如何仅用几行代码将你训练好的Keras模型应用在一个智能手机（特别是iPhone）app上。
这个系列的最终目的是帮助你建立一个能够运行的深度学习app——用这个系列的文章作为发灵感启发，并且开始帮助你建立自己的深度学习应用。
现在让我们开始用Keras和深度学习训练一个CNN。
我们的深度学习数据库
图1：神奇宝贝深度学习数据库中的样本示意图。它展示了神奇宝贝的每个种类。正如我们所见，数据库的内容范围很大，包含了插画、电影/电视节目截图、模型、玩具等。
我们深度学习的数据库有1191个神奇宝贝）的图片。
我们的目标是用Keras和深度学习训练一个卷积神经网络来识别和分类这些神奇宝贝。
我们将要识别的神奇宝贝包括这几种：
妙蛙种子（234张图片）
小火龙（238张图片）
杰尼龟（223张图片）
皮卡丘（234张图片）
超梦（239张图片）
每个种类的训练图片的示意图在图1中可见。
正如你所见，我们的训练图片包括：
电视节目和电影中的截图
集换卡
模型
玩具
粉丝的画作和艺术表达
我们的CNN将从这些涵盖范围很广的使N一大堆图片中识别出5种神奇宝贝。——而且我们将会看到，我们可以达到97%的分类准确率！
卷积神经网络和Keras项目的结构
今天的项目有很多活动部件?。我们现在从回顾项目的目录结构开始。
有3个目录：
dataset：包含了5个种类，每个种类有自己单独的子目录，这使得分析种类标签较为容易。
examples：包含了我们将要用来测试CNN的图片。
pyimagesearch模块：包含了SmallerVGGNet模型种类（在这片文章的后面将会用到）。
根目录下有5个文件：
最低0.47元/天 解锁文章
扫一扫
6154
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
