Keras区分狗和猫

Kaggle概述与数据集下载：https://www.kaggle.com/c/dogs-vs-cats/data
原外文教程：https://deeplizard.com/learn/video/bfQBPNDy5EM

在本次比赛中，您将编写一个算法来对图像是包含狗还是猫进行分类。这对人类、狗和猫来说都很容易。您的计算机会发现它有点困难。

代码的注释很详细，可参考。

import glob
import itertools
import os
import random
import shutilimport matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from keras_visualizer import visualizer
from sklearn.metrics import confusion_matrix
from tensorflow.keras.layers import Dense, Flatten, MaxPooling2D, Conv2D
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.preprocessing.image import ImageDataGeneratordef plot_confusion_matrix(cm, classes,normalize=False,title='Confusion matrix',cmap=plt.cm.Blues):"""画混淆矩阵图，可以不用看"""plt.imshow(cm, interpolation='nearest', cmap=cmap)plt.title(title)plt.colorbar()tick_marks = np.arange(len(classes))plt.xticks(tick_marks, classes, rotation=45)plt.yticks(tick_marks, classes)if normalize:cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]print("Normalized confusion matrix")else:print('Confusion matrix, without normalization')print(cm)thresh = cm.max() / 2.for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):plt.text(j, i, cm[i, j],horizontalalignment="center",color="white" if cm[i, j] > thresh else "black")plt.tight_layout()plt.ylabel('True label')plt.xlabel('Predicted label')plt.show()def plotImages(images_arr):"""画图，可以不用看"""fig, axes = plt.subplots(1, 10, figsize=(20,20))axes = axes.flatten()for img, ax in zip(images_arr, axes):ax.imshow(img)ax.axis('off')plt.tight_layout()plt.show()# 1、整理数据，将数据进行分类放置
os.chdir('dogs-vs-cats/train')
if os.path.isdir('../cnn/train/dog') is False:os.makedirs('../cnn/train/dog')os.makedirs('../cnn/train/cat')os.makedirs('../cnn/valid/dog')os.makedirs('../cnn/valid/cat')os.makedirs('../cnn/test/dog')os.makedirs('../cnn/test/cat')for i in random.sample(glob.glob('cat*'), 500):shutil.move(i, '../cnn/train/cat')for i in random.sample(glob.glob('dog*'), 500):shutil.move(i, '../cnn/train/dog')for i in random.sample(glob.glob('cat*'), 100):shutil.move(i, '../cnn/valid/cat')for i in random.sample(glob.glob('dog*'), 100):shutil.move(i, '../cnn/valid/dog')for i in random.sample(glob.glob('cat*'), 50):shutil.move(i, '../cnn/test/cat')for i in random.sample(glob.glob('dog*'), 50):shutil.move(i, '../cnn/test/dog')
os.chdir('../../')# 图像数据路径
train_path = 'dogs-vs-cats/cnn/train'
valid_path = 'dogs-vs-cats/cnn/valid'
test_path = 'dogs-vs-cats/cnn/test'# 2、使用VGG16预处理图像并创建图像生成器
# flow_from_directory()创建一个DirectoryIterator，它从相应的数据目录生成一批标准化的张量图像数据
# 其中:
#   target_size参数为图像大小，这会将所有图像调整为指定的大小。在此处指定的大小由神经网络预期的输入大小决定
#   classes参数需要一个包含基础类名称的列表
#   shuffle=False，默认情况下，数据集被打乱
train_batches = ImageDataGenerator(preprocessing_function=tf.keras.applications.vgg16.preprocess_input)\.flow_from_directory(directory=train_path, target_size=(224, 224), classes=['cat', 'dog'], batch_size=10)
valid_batches = ImageDataGenerator(preprocessing_function=tf.keras.applications.vgg16.preprocess_input)\.flow_from_directory(directory=valid_path, target_size=(224, 224), classes=['cat', 'dog'], batch_size=10)
test_batches = ImageDataGenerator(preprocessing_function=tf.keras.applications.vgg16.preprocess_input)\.flow_from_directory(directory=test_path, target_size=(224, 224), classes=['cat', 'dog'], batch_size=10, shuffle=False)# 测试，从训练集中生成一批图像和标签
# 这个batch的大小是我们在创建train_batches时由batch_size设置的
# One-Hot编码，classes=['cat', 'dog'] => 狗：[0,1]，猫：[1,0]
# imgs, labels = next(train_batches)
# plotImages(imgs)
# print(labels[:5])# 3、创建模型
model = Sequential()
# 3.1、二维卷积层
model.add(Conv2D(filters=32,                # 指定的输出过滤器数量(32)的选择是任意的kernel_size=(3, 3),        # 所选的内核大小(3x3)通常是非常常用的大小activation='relu',padding='same',            # 启用 零填充input_shape=(224, 224, 3)  # 仅在第一层，我们还指定了输入尺寸；图像高224，宽224，RGB颜色通道3))
# 3.2、添加一个最大池化层来池化并降低数据的维数
# 一般来说，最大池化是在卷积层之后添加的
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
# 3.3、二维卷积层
model.add(Conv2D(filters=64,  # 此处的选择再次是任意的，但通常选择在后面的层中比在前面的层中具有更多的过滤器kernel_size=(3, 3),activation='relu',padding='same'))
# 3.4、添加一个最大池化层来池化并降低数据的维数
model.add(MaxPooling2D(pool_size=(2, 2), strides=2))
# 3.5、将卷积层的输出"展平"传递给一个下一个层
model.add(Flatten())
# 3.6、网络的输出层
model.add(Dense(units=2,                # 它有2节点，一个给猫，一个给狗activation='softmax'    # 输出上使用激活函数，以便每个样本的输出是cat和dog的概率分布))
# 4、查看模型的结构
model.summary()
# 查看神经元连接结构
visualizer(model, format='png', view=True)
# 5、编译模型
# 当我们只有两个类时，我们可以将输出层配置为只有一个输出，而不是两个
# 并用binary_crossentropy作我们的损失，而不是categorical_crossentropy
# 两个选项都同样有效，并获得完全相同的结果
# 有了binary_crossentropy，但是，最后一层需要使用sigmoid，而不是softmax作为其激活函数
model.compile(optimizer=Adam(learning_rate=0.0001),loss='categorical_crossentropy',metrics=['accuracy'])# 6、训练模型
model.fit(x=train_batches,steps_per_epoch=len(train_batches),validation_data=valid_batches,validation_steps=len(valid_batches),epochs=10,verbose=1)# 7、预测数据
predictions = model.predict(x=test_batches,steps=len(test_batches),verbose=0)
np.round(predictions)# 8、将测试集的真实标签，以及来自模型的测试集的预测标签传递给了混淆矩阵
# 可以通过调用test_batches.classes来访问测试集未打乱的真实标签
# 使用np.argmax(predictions, axis=-1)为每个预测选择具有最高值的元素，将one-hot编码的预测标签转换为与真实标签相同的格式
cm = confusion_matrix(y_true=test_batches.classes,y_pred=np.argmax(predictions, axis=1))
cm_plot_labels = ['cat', 'dog']
plot_confusion_matrix(cm=cm, classes=cm_plot_labels, title='Confusion Matrix')# 9、保存模型
model.save('demo.h5')
# 载入模型示例：
# model = load_model('demo,h5')

预测单张图片：

# 预测单张图片
model = load_model('demo.h5')
from PIL import Image
img = Image.open('dogs-vs-cats/cnn/test/dog/dog.6412.jpg')
img = np.array(img.resize((224, 224), Image.ANTIALIAS)).reshape((1, 224, 224, 3))
predictions = model.predict(x=img,verbose=0
)
print(np.round(predictions))

Keras区分狗和猫相关推荐

Keras框架下的猫狗识别（一）
Tensorflow学习(使用jupyter notebook) Keras框架下的猫狗识别(二) Keras框架下的猫狗识别(三) 数据预处理 Tensorflow学习(使用jupyter note ...
英伟达新研究：“狗生猫，猫生万物”的多模态无监督图像转换
林鳞编译整理量子位出品 | 公众号 QbitAI 英伟达最近的一项研究看起来有点神奇. 一张普通的猫咪图像,可以被转换成一只老虎.一头狮子或一只美洲豹. 还是一张普通的猫咪图,还能被转换成 ...
奇葩副业：下班遛狗撸猫，月入10000 ！
专门的遛狗师行业在国内发展已经有5年以上了,也许有些人还没有听说过,但有些人已经发展成职业遛狗师了. 遛狗师可以说是自然发展的朝阳产业,随着人们生活方式的变化,宠物的陪伴成为许多不同年龄层人的选择,并 ...
猫叫狗叫java_狗叫猫叫动物叫声手机版|狗叫猫叫动物叫声安卓版下载 v1.1 - 跑跑车安卓网...
这是一款狗叫猫叫动物叫声模拟器,用户可通过该软件来进行动物叫声模拟,更好的帮助你跟爱宠进行互动,有兴趣的快来下载吧. 软件介绍猫叫狗叫动物叫声,是一个史上超萌,超神奇的宠物互动APP,它可以模拟狗狗 ...
Java：继承和多态实验（以狗，猫，青蛙为）
Java:继承和多态实验(以狗,猫,青蛙为例) 问题描述: 问题分析: 难点分析: 类关系图: 阶段划分: 第一阶段: 第二阶段: 第三阶段: 运行效果: 总结: 问题描述: 狗生活在陆地上(是一种陆 ...
基于 Keras 实现 12500 张猫狗图像的精准分类附完整代码+数据可直接运行毕业设计
python图像分类实战： Keras 实现 12500 张猫狗图像的精准分类附完整代码+数据可直接运行毕业设计
闲来无聊，养狗养猫养乌龟
家里养过狗,养过猫,也养过龟, 来看看: package main import "fmt"type Animal interface {move() }type Dog stru ...
Python 动物，人，狗，猫面向对象关系代码
class Animal:def __init__(self, name,age=1):self.name = nameself.age = agedef eat(self):print(" ...

Keras区分狗和猫

Keras区分狗和猫相关推荐

最新文章

热门文章