超干货｜使用Keras和CNN构建分类器（内含代码和讲解）

摘要： 为了让文章不那么枯燥，我构建了一个精灵图鉴数据集（Pokedex）这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上，使用Keras库训练一个卷积神经网络（CNN）。

为了让文章不那么枯燥，我构建了一个精灵图鉴数据集（Pokedex）这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上，使用Keras库训练一个卷积神经网络（CNN）。

深度学习数据集

上图是来自我们的精灵图鉴深度学习数据集中的合成图样本。我的目标是使用Keras库和深度学习训练一个CNN，对Pokedex数据集中的图像进行识别和分类。Pokedex数据集包括：Bulbasaur (234 images)；Charmander (238 images)；Squirtle (223 images)；Pikachu (234 images)；Mewtwo (239 images)

训练图像包括以下组合：电视或电影的静态帧；交易卡；行动人物；玩具和小玩意儿；图纸和粉丝的艺术效果图。

在这种多样化的训练图像的情况下，实验结果证明，CNN模型的分类准确度高达97％！

CNN和Keras库的项目结构

该项目分为几个部分，目录结构如下：

如上图所示，共分为3个目录：

1.数据集：包含五个类，每个类都是一个子目录。

2.示例：包含用于测试卷积神经网络的图像。

3.pyimagesearch模块：包含我们的SmallerVGGNet模型类。

另外，根目录下有5个文件：

1.plot.png：训练脚本运行后，生成的训练/测试准确性和损耗图。

2.lb.pickle：LabelBinarizer序列化文件，在类名称查找机制中包含类索引。

3.pokedex.model：序列化Keras CNN模型文件（即“权重文件”）。

4.train.py：训练Keras CNN，绘制准确性/损耗函数，然后将卷积神经网络和类标签二进制文件序列化到磁盘。

5.classify.py：测试脚本。

Keras和CNN架构

我们今天使用的CNN架构，是由Simonyan和Zisserman在2014年的论文“用于大规模图像识别的强深度卷积网络”中介绍的VGGNet网络的简单版本，结构图如上图所示。该网络架构的特点是：

1.只使用3*3的卷积层堆叠在一起来增加深度。

2.使用最大池化来减小数组大小。

3.网络末端全连接层在softmax分类器之前。

假设你已经在系统上安装并配置了Keras。如果没有，请参照以下连接了解开发环境的配置教程：

1.配置Ubuntu，使用Python进行深度学习。

2.设置Ubuntu 16.04 + CUDA + GPU，使用Python进行深度学习。

3.配置macOS，使用Python进行深度学习。