利用keras搭建CNN完成图片分类

一、简介

本文旨在通过一些简单的案例，学习如何通过keras搭建CNN。从数据读取，数据处理，神经网络搭建，模型训练等。本文也是参考其他博主的文章基础上做了些小修改学习的，感谢其他博主的分享。
具体的CNN的原理，以及keras的原理，这里就不啰嗦了。最后会提供一些参考博客，供大家学习。代码的github地址:traffic

二、流程

总体的文件夹结构：

1.数据处理

#!/usr/bin/env python
# encoding: utf-8
from keras.preprocessing.image import img_to_array#图片转为array
from keras.utils import to_categorical#相当于one-hot
from imutils import paths
import cv2
import numpy as np
import random
import os

def load_data(path,norm_size,class_num):
    data = []#数据x
    label = []#标签y
    image_paths = sorted(list(paths.list_images(path)))#imutils模块中paths可以读取所有文件路径
    random.seed(0)#保证每次数据顺序一致
    random.shuffle(image_paths)#将所有的文件路径打乱
    for each_path in image_paths:
        image = cv2.imread(each_path)#读取文件
        image = cv2.resize(image,(norm_size,norm_size))#统一图片尺寸
        image = img_to_array(image)
        data.append(image)
        maker = int(each_path.split(os.path.sep)[-2])#sep切分文件目录，标签类别为文件夹名称的变化，从0-61.如train文件下00014，label=14
        label.append(maker)
    data = np.array(data,dtype="float")/255.0#归一化
    label = np.array(label)
    label = to_categorical(label,num_classes=class_num)#one-hot
    return data,label

上面是数据目录，下面是对应的数据处理代码。主要分为几个部分：

1. 利用imutils模块的paths将train或test中的所有图片文件的路径找出来image_paths。
2. 对其中每张图片，做如下操作，利用cv2读取图片和修改图片尺寸（图片尺寸不一，要统一尺寸）。
3. 依次将图片和对应的标签，保存到对应的列表中
4. 图片进行归一化操作，标签进行one-hot

2.神经网络搭建

这里搭建的网络是经典的LeNet网络，从input>conv>pool>conv>pool>Dense>Dense(softmax)。具体LeNet的学习，请见参考。这里是利用keras搭建的LeNet，keras的顺序模型（另外一种为函数式API）。

#!/usr/bin/env python
# encoding: utf-8
import keras
from keras.layers import Conv2D, MaxPooling2D