用自己的資料構建一個簡單的卷積神經網路
在本文中,我們將構建一個卷積神經網路,將對7種類型的數千個影象進行訓練,即:鮮花,汽車,貓,馬,人,自行車,狗,然後能夠預測是否給定的影象是貓,狗或人。
該CNN實現使用自己的影象資料集涵蓋以下主題
- 載入和預處理自己的資料集
- 在Keras設計和訓練CNN模型
- 繪製損失和準確度曲線
- 評估模型和預測測試影象的輸出類
- 視覺化CNN的中間層輸出
- 繪製結果的混淆矩陣
載入和預處理自己的資料集:
我們將使用的資料集包括從網際網路收集並標記的7個類。Python程式碼如下;
PATH = os.getcwd() #Define data path data_path = PATH + '/data' data_dir_list = os.listdir(data_path) data_dir_list
輸出:
['bike', 'cars', 'cats', 'dogs', 'flowers', 'horses', 'human']
視覺化一些影象,我們可以看到影象是128x128畫素,Python程式碼如下:
#Visualize some images image = X_train[1441,:].reshape((128,128)) plt.imshow(image) plt.show()
用自己的資料構建一個簡單的卷積神經網路
接下來,我們開始在Keras中設計和編譯CNN模型,Python實現如下:
#Initializing the input shape input_shape = img_data[0].shape #Design CNN sequential model model = Sequential ([ Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape), Convolution2D(32,3,3, activation = 'relu'), MaxPooling2D(pool_size = (2,2)), Dropout(0.5), Convolution2D(64,3,3, activation = 'relu'), MaxPooling2D(pool_size = (2,2)), Dropout(0.5), Flatten(), Dense(64, activation = 'relu'), Dropout(0.5), Dense(num_classes, activation = 'softmax') ]) #Compiling the model model.compile( loss = 'categorical_crossentropy', optimizer = 'adadelta', metrics = ['accuracy'])
在擬合模型之後,我們可以在整個迭代過程中視覺化訓練和驗證。
ist = model.fit (X_train, y_train, batch_size = 16, nb_epoch = num_epoch, verbose=1, validation_data = (X_test, y_test) )
我們現在可以使用我們的模型使用以下程式碼預測新影象的新類:
# Predicting the test image print((model.predict(test_image))) print('Image class:', model.predict_classes(test_image))
正如我們在下面看到的,我們的模型正確地將影象分類為class [0] - bike。
[[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02 3.0998811e-01 1.3129448e-02]] Image class: [0]
這是一個混淆矩陣,沒有歸一化
我們現在可以儲存模型和權重,以便在實際應用程式中實現。