Keras实战---猫狗大战

第1关：数据集的加载

import os
import numpy as np
import cv2

def get_train_data(data_path):
    images = []
    onehot = np.zeros((500, 2))

    # 获取目录下的所有文件名
    filenames = os.listdir(data_path)

    # 遍历文件名
    for i, filename in enumerate(filenames):
        # 读取图片
        img = cv2.imread(os.path.join(data_path, filename))
        # 缩放至32*32
        resized_img = cv2.resize(img, (32, 32))
        # 归一化
        normalized_img = resized_img / 255.0
        # 存储处理后的图片
        images.append(normalized_img)
        # 获取图片标签（猫为0，狗为1）
        label = int(filename.split('.')[0] == 'dog')
        # 进行onehot编码
        onehot[i, label] = 1

    return np.array(images), onehot

if __name__ == '__main__':
    pass

第2关：构建属于自己的卷积神经网络模型

import os
import numpy as np
import cv2
import keras
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, regularizers, GlobalAveragePooling2D
from keras.layers import Conv2D, MaxPooling2D

IMAGE_HEIGHT = 32
IMAGE_WIDTH = 32

def build_model():
    model = keras.Sequential()
    '''
    请按要求构建模型：
    1.16个3*3的卷积核组成的卷积层，激活函数为relu
    2.最大池化层，池化核大小为2*2
    3.16个3*3的卷积核组成的卷积层，激活函数为relu
    4.最大池化层，池化核大小为2*2
    5.扁平
    6.20个神经元的全连接层，激活函数为relu
    7.2个神经元的全连接层，激活函数为softmax
    '''

    '''begin'''
    model.add(Conv2D(16, kernel_size=3, activation='relu', input_shape=[IMAGE_HEIGHT, IMAGE_WIDTH, 3]))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Conv2D(16, kernel_size=3, activation='relu'))
    model.add(MaxPooling2D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(20, activation='relu'))
    model.add(Dense(2, activation='softmax'))

    '''end'''
    return model



if __name__ == '__main__':
    pass

第3关：训练并保存模型

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import keras

def train_model(images, onehot, model):
    '''
    填写代码满足以下要求：
    1.设置模型使用交叉熵损失函数、使用学习率为0.0002的mini - batch梯度下降方法来优化参数、性能指标设置成正确率
    2.训练模型的迭代次数设置成10次，batch数量设置成32
    3.模型保存的目录为:.step3/DogVSCat.h5
    4.verbose设置成0
    '''

    '''begin'''
    model.compile(loss='categorical_crossentropy',
                  optimizer=keras.optimizers.SGD(lr=0.0002),
                  metrics=['accuracy'])

    model.fit(images, onehot, epochs=10, batch_size=32, verbose=0)

    model.save('./step3/DogVSCat.h5')
    '''end'''

第4关：加载模型并预测

import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
from keras.models import load_model

def predict(images):
    '''
    完成以下功能：
    1.加载当前目录下的DogVSCat.h5模型文件
    2.对images进行预测，batch的数量为10
    3.计算出概率最大的列的索引并将其返回
    '''

    '''begin'''
    model = load_model('./DogVSCat.h5')
    result = model.predict(images, batch_size=10)
    predict_idx = np.argmax(result, axis=1)
    return predict_idx
    '''end'''