如何使用Keras训练自己的CNN【程序+笔记1】

最新推荐文章于 2024-08-22 17:07:12 发布

置顶

DananWu

最新推荐文章于 2024-08-22 17:07:12 发布

阅读量4.7k

点赞数 2

文章标签：卷积神经 cnn 图片转换为矩阵 keras python

本文链接：https://blog.csdn.net/weixin_42044102/article/details/80202460

版权

本文介绍了如何使用Keras训练卷积神经网络（CNN）。首先解析keras.json配置文件，然后详细阐述图片转换为矩阵的过程，包括图片的导入、尺寸调整和通道维度设置。接着，搭建了一个简单的ShallowNet模型，并展示了训练过程，使用了dogs vs cats数据集。最后，鼓励读者尝试自己训练网络。

摘要由CSDN通过智能技术生成

一. 理解keras的配置+图片转换为矩阵

在搭建自己的网络之前，我们首先看一下keras.json 这一个文件。

1. 理解keras.json 文件

当你导入keras库的时候，keras会产生一个keras.json 文件，打开它（如果找不到就在安装keras库里面搜索）

打开之后是这样的：

{
    "epsilon": 1e-07,
    "floatx": "float32",
    "image_data_format": "channels_last",
    "backend": "tensorflow"
}

在里面，你可以看到四个重要的参数，我们一一说一下它的作用。

（1） epsilon：防止作除法时，分母为0

（2）float32：定义精度

（3） backend：keras库使用tensorflow作为后端，你也可以使用theano作为后端，将其改为theano

（4） image_data_format: 这个非常重要，这个值有两个类型：channels_last 和channels_first

在opencv中，我们知道也是（rows,columns,channels), 即channels_last类型。

但是在theano的设定中是channel_first的设定。

2. 导入图片，并将图片转换为矩阵处理（有很多程序，不过一劳永逸，保存为package）

将一个project保存为这样的形式,我们一步一步往里面加东西

|--- pyimagesearch
| |--- __init__.py
| |--- datasets
| | |--- __init__.py
| | |--- SimpleDatasetLoader.py   #根据类名大写
| |--- preprocessing
| | |--- __init__.py
| | |--- ImageToArrayPreprocessor.py  #根据类名大写
| | |--- SimplePreprocessor.py

关于init文件，都是空的，不过必须要建立起作用。

第一步，打开preprocessing文件夹里面的

ImageToArrayPreprocessor.py

添加程序如下，这一步主要是将图片转换成矩阵的形式：

from keras.preprocessing.image import img_to_array

class ImageToArrayPreprocessor:
    def __init__(self,dataFormat=None):
        self.dataFormat=dataFormat

    def preprocess(self,image):
        return img_to_array(image,data_format=self.dataFormat)

第二步，打开preprocessing文件夹里面的

SimplePreprocessor.py

添加程序如下，这一步主要是可以rezise图片到你自己想要的大小

 
  # -*- coding: utf-8 -*- 
 
  import cv2 
 
  class  
  SimplePreprocessor: 
 
  def  
  __init__( 
  self, 
  width, 
  height, 
  inter=cv2.INTER_AREA): 
 
  self.width=width 
 
  self.height=height 
 
  self.inter=inter 
 
  def  
  preprocess( 
  self, 
  image): 
 
  return cv2.resize(image,( 
  self.width, 
  self.height),  
  interpolation= 
  self.i