基于卷积神经网络的数据预处理以及模型参数保存

最新推荐文章于 2024-07-22 13:42:36 发布

wj164

最新推荐文章于 2024-07-22 13:42:36 发布

阅读量9.2k

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/wj164/article/details/46610527

版权

本文介绍了如何使用opencv将图像转换为二维数组以适应28×28像素的灰度图处理，同时阐述了在卷积神经网络中使用theano.shared创建共享变量的重要性，并探讨了模型的预测分类部分。

摘要由CSDN通过智能技术生成

由于卷积神经网络主要用于图像的分类识别，所以本文中的数据预处理是对图像数据进行操作。之前卷积神经网络是对手写数字数据做识别，而所有的数字都被看成是28×28像素的灰度图被输入到网络中进行训练所以为了能直接使用网上deep learning教程中的卷积神经网络代码，这里对所有的数据也均是处理成28×28像素的灰度图进行处理，将图片作为输入实际上是将图片对应的二维矩阵输入到卷积神经网络模型中进行训练。

1.基于opencv的将图像转换成二维数组的代码：

import cv
import cPickle
import os, sys
from stat import *

#import Image
import pylab
from PIL import Image

import numpy

PicPathNameList = []
PicWidthList = []
PicHeightList = []

def WalkTree(top, callback):
    for f in os.listdir(top):
        pathname = os.path.join(top, f)
        mode = os.stat(pathname)[ST_MODE]

        if S_ISDIR(mode):
            WalkTree(pathname, callback)
        elif S_ISREG(mode):
            callback(pathname)
        else:
            print 'Skipping %s' % pathname

def GetPicInfo(file):
    global PicPathNameList
    global PicWidthList
    global PicHeightList

    try:    
        image = Image.open(file)
        PicPathNameList.append(file)      
        PicWidthList.append(image.size[0])
        PicHeightList.append(image.size[1])
    except IOError:
        pass

def JReduce(image,m,n):
    H = 28
    W = 28
    size = (W,H)
    iJReduce = cv.CreateImage(size,image.depth,image.nChannels)
    for i in range(H):
        for j in range(W):
            x1 = int(i/m)
            x2 = int((i+1)/m)
            y1 = int(j/n)
            y2 = int((j+1)/n)
            sum = [0,0,0]
            for k in range(x1,x2):
                for l in range(y1,y2):
                    sum[0] = sum[0]+image[k,l][0]
                    sum[1] = sum[1]+image[k,l][1]
                    sum[2] = sum[2]+image[k,l][2]
            num = (x2-x1)*(y2-y1)
            iJReduce[i,j] = (sum[