小牛的学习笔记---CNN模型之猫狗识别

CNN模型

关于CNN模型的讲解，推荐刘建平的卷积神经网络(CNN)模型结构

划重点：
CNN的优势：可以抽取矩阵形式中隐藏的离散的模式信息
输入层—>卷积层—>池化层—>平坦层
卷积层和池化层不停叠加，若干卷积层+池化层的组合
卷积层没有激活函数
卷积之后会减小维度
给出的链接卷积中的例子相当优秀
池化层将矩阵的多个元素变成一个，标准如下：
池化标准有2个，MAX或者是Average。即取对应区域的最大值或者平均值作为池化后的元素值。
原图切边，但是仍保留了图片的关键信息，每次卷积核池化都会产生新的图片

CNN实例

猫狗识别

1.导包

keras面向小数据集的图像分类，本文需要使用的keras模块有：
fit_generator：用于从python生成器中训练网络
ImageDataGenerator：用于实时数据提升
层参数冻结和模型fine-tune

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
import numpy as np

2.数据集

这里有2000张训练图片构成的数据集，一共两个类别：猫、狗，每类1000张
数据集要按照以下方式存放
data/
train/
dogs/
dog001.jpg
dog002.jpg
…
cats/
cat001.jpg
cat002.ipg
…
validation/
dogs/
dog001.jpg
dog002.jpg
…
cats/
cat001.jpg
cat002.jpg
…

train放训练图片
validation放验证图片
这里我们只取了各个类的前1000张图片，另外从各个类中取了400张额外图片用于测试
数据预处理和数据提升
为了尽量利用我们有限的训练数据，我们将通过一系列随机变换对数据进行提升，这样我们的模型将看不到任何两张完全相同的图片，这样有利于我们抑制过拟合，使得模型的泛化能力更好。
在keras中，这个步骤可以通过keras.preprocessing.imageGenerator来实现
在训练过程中，设置要实行的随机变换，通过.flow或.flow_from_directory(directory)方法实例化一个针对图片batch的生成器，这些生成器可以被用作keras模型相关方法的输入，如fit_generator，evaluate_generator和predict_generator
这里看个例子，明白图片的一些相关操作

img_width, img_height = 150, 150

train_data_dir = 'data/train'
validation_data_dir = 'data/valida