深度回声状态网络python_Python深度学习系列——神经网络能辨别绘画创作时期吗？...

点击上方“蓝字”关注我们

  背景介绍  

大家好~今天跟大家分享的案例是关于“分类”的深度学习案例，从之前的案例中我们知道深度学习在图片分类上效果十分强大。比如说，深度学习一个经典的分类问题是“猫狗大战”，即让AI看一张图片，然后它将告诉你这张图片里是究竟是猫还是狗。

 

由Kaggle举办的风靡一时的猫狗分类竞赛..

经过参赛选手们的不懈努力，在所有目前已公开的模型中，我们点开了一个获赞数较高的模型，它能够在训练集和测试集上同时取得接近90%的准确率。

 

横轴是训练次数，纵轴是准确率，粗的点是训练集结果，细的线是验证集结果..

既然AI能够在关于猫狗的二分类问题中取得这么好的效果，那我们试试加大力度，看一看AI能不能解决一些难度更高的图像分类问题呢~

在西方艺术发展历史上，艺术风格经历了多次变革,我们随机选取了四个时期，即中世纪、文艺复兴、后文艺复兴和现代艺术时期，然后把这些图片收集起来，分类别存在电脑里，作为数据准备。

下边给大家展示的四幅图，就分别是这四个时期的作品之一，有看官能认出来每一张图片分别属于哪一个时期吗？(相信大部分朋友应该和我一样傻傻分不清~~)

 

所以有人能告诉我图3是啥吗..

数据介绍

我们通过公开网站找到各个时期的画作，作为演示案例，随机选取了每个时期的一部分画作进行分析，包括中世纪(80张)、文艺复兴(80张)、后文艺复兴(80张)、现代艺术(90张)。按照深度学习的数据划分方式，我们把这些照片储存在训练集文件夹(/data/train)和测试集文件夹(/data/validation)，每个时期的画作又各自储存在各自的文件夹中。

图像数据生成器：在读入每一张图片的同时，对图像进行像素增减、旋转、平移或放缩等操作，达到识别度更高的效果，也就是所谓的“数据增强”。

从深度学习库keras中导入ImageDataGenerator这个类，然后对图像的变换进行声明，在创建这个类的时通过传入参数达到想要的效果，以下是每一个参数的含义。

除了传入参数以外，IMSIZE是我们传入图片的大小，train_generator是训练集数据生成器，validation_generator是测试集数据生成器。

在使用ImageDataGenerator时，调用flow_from_directory函数，它告诉程序target_size(图像大小)是299×299，batch_size(每次训练图片的数量)是50，class_mode是'categorical'，声明这是一个多分类问题。在测试集生成器中也传入了相应的参数，具体的参数取值可以在代码中找到哦~以下是详细代码：

from keras.preprocessing.image import ImageDataGenerator
IMSIZE=299
train_generator = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.5,
    rotation_range=30,
    zoom_range=0.2, 
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True).flow_from_directory('../case2-picture style/data/train',
    target_size=(IMSIZE, IMSIZE),
    batch_size=50,
    class_mode='categorical')
validation_genera