机器学习-初级进阶（深度学习-卷积神经网络）

一、卷积神经网络

卷积神经网络介绍

学习资料
卷积神经网络流程分解

（1）卷积：

卷积后的几种照片展示图：

（2）最大池化

（3）扁平化

（4）全连接层
线性整流激活层

线性整流层资料
总结

代码实现

数据集：

测试集和训练集中是包含小猫，小狗的照片，训练集中小猫小狗图片各4000张，测试集中小猫小狗图片各1000张

步骤：
图片转化

代码：

from keras.preprocessing.image import ImageDataGenerator  # 对图片进行预处理# 初始化卷积神经网络
classifier = Sequential()# 添加卷积层
classifier.add(Convolution2D(filters=32, kernel_size=(3, 3), activation="relu", input_shape=(64, 64, 3)))  # filters:是用多少个特征探测器, kernel_size: 特征探测器用一个多少乘多少的矩阵, activation: 激活函数为线性整流函数,input_shape: (图片长，图片宽，图片三原色)# 添加最大池化层（缩减特征图的大小，降维操作）
classifier.add(MaxPooling2D(pool_size=(2, 2)))  # pool_size最大池化的窗口大小# #######添加第二个卷积层########
classifier.add(Convolution2D(filters=32, kernel_size=(3, 3), activation="relu"))  # filters:是用多少个特征探测器, kernel_size: 特征探测器用一个多少乘多少的矩阵, activation: 激活函数为线性整流函数,input_shape: (图片长，图片宽，图片三原色)
classifier.add(MaxPooling2D(pool_size=(2, 2)))  # pool_size最大池化的窗口大小# 扁平化
classifier.add(Flatten())# 全连接层（加一层人工神经网络）
classifier.add(Dense(units=128, activation="relu"))  # 输入层，隐藏层
classifier.add(Dense(units=1, activation="sigmoid"))  # 输出层,因为输出结果为一个的概率，所以选激活函数为sigmoid# 编译人工神经网络其实就是配置模型参数（优化器<优化算法>, loss function(损失函数)，metrics(性能评估器)）
classifier.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])# 拟合神经网络
train_datagen = ImageDataGenerator(rescale=1./225,  # 将图片每个像素点乘 1/255shear_range=0.2,  # 将图像素点左右平移0.2成平行四边形zoom_range=0.2,  # 选取0.2个大小horizontal_flip=True  # 图片进行反转
)  # 训练集模型test_datagen = ImageDataGenerator(rescale=1./225)  # 测试集模型training_set = test_datagen.flow_from_directory('dataset/training_set',  # 训练集图片存放路径target_size=(64, 64),  # 输入图片的大小batch_size=32,  # 每批图片处理的数量class_mode="binary"  # 因为次测试只有猫和狗两个类，所以采用"binary", 若有多个类的化选择"categorica")test_set = test_datagen.flow_from_directory('dataset/test_set',  # 测试集图片存放路径target_size=(64, 64),  # 输入图片的大小batch_size=32,  # 每批图片处理的数量class_mode="binary"  # 因为次测试只有猫和狗两个类，所以采用"binary", 若有多个类的化选择"categorica"
)
print("开始训练了。。。。。。")
classifier.fit_generator(generator=training_set,  # 拟合数据steps_per_epoch=250,  # 做一期训练的时候总共有多少部 为: 训练集数据个数 / 每批图片处理的数量，若输入更大的数量多出来的图片是由图片生成器产生的epochs=25,  # 训练的期数validation_data=test_set,  # 测试集数据validation_steps=62.5  # 和steps_per_epoch类似为: 测试集数据个数 / 每批图片处理的数量
)

输出结果：

...
235/250 [===========================>..] - ETA: 3s - loss: 0.0015 - accuracy: 1.0000
236/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
237/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
238/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
239/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
240/250 [===========================>..] - ETA: 2s - loss: 0.0015 - accuracy: 1.0000
241/250 [===========================>..] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
242/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
243/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
244/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
245/250 [============================>.] - ETA: 1s - loss: 0.0015 - accuracy: 1.0000
246/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
247/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
248/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
249/250 [============================>.] - ETA: 0s - loss: 0.0015 - accuracy: 1.0000
250/250 [==============================] - 58s 232ms/step - loss: 0.0015 - accuracy: 1.0000 - val_loss: 0.0221 - val_accuracy: 0.7500此结果中训练集准确率达100%，测试集准确率为75%，可见训练集对数据过渡拟合，测试、训练结果相差太大，对于图像处理来说，这结果不是很好

机器学习-初级进阶（深度学习-卷积神经网络）相关推荐

毕设深度学习卷积神经网络的花卉识别
文章目录 0 前言 1 项目背景 2 花卉识别的基本原理 3 算法实现 3.1 预处理 3.2 特征提取和选择 3.3 分类器设计和决策 3.4 卷积神经网络基本原理 4 算法实现 4.1 花卉图像数 ...
毕业设计 - 题目：基于深度学习卷积神经网络的花卉识别 - 深度学习机器视觉
文章目录 0 前言 1 项目背景 2 花卉识别的基本原理 3 算法实现 3.1 预处理 3.2 特征提取和选择 3.3 分类器设计和决策 3.4 卷积神经网络基本原理 4 算法实现 4.1 花卉图像数 ...
深度学习卷积神经网络-Pytorch手写数字识别
深度学习卷积神经网络-Pytorch手写数字识别一.前言二.代码实现 2.1 引入依赖库 2.2 加载数据 2.3 数据分割 2.4 构造数据 2.5 迭代训练三.测试数据四.参考资料一. ...
深度学习卷积神经网络原理
深度学习卷积神经网络原理一.前言二.全连接层的局限性三.卷积层 3.1 如何进行卷积运算? 3.2 偏置 3.3 填充 3.4 步长 3.5 卷积运算是如何保留图片特征的? 3.6 三维卷积 ...
深度学习-卷积神经网络初识-1
卷积神经网络技交部潘震宇一.计算机视觉在计算机视觉领域中,存在着许多问题,各类领域基本都包含着这俩种基础问题: 1. 图像分类 2. 目标检测除上述之外,最近有一种新颖的技术,也出现在大众的 ...
深度学习——卷积神经网络的应用——目标检测
一.理论部分介绍 1. 目标定位和特征点检测图片检测问题: 分类问题:判断图中是否为汽车: 目标定位:判断是否为汽车,并确定具体位置: 目标检测:检测不同物体并定位. 目标分类和定位: 对于目标定位 ...
深度学习卷积神经网络大事件一览
转载自:http://blog.csdn.net/u013088062/article/details/51118744 深度学习(DeepLearning)尤其是卷积神经网络(CNN)作为近几年来模 ...
深度学习---卷积神经网络（CNN）
文章目录 1. 什么是深度学习? 2. 深度学习框架 2.1 卷积神经网络(CNN) 2.1.1 引子 :边界检测 2.1.2 CNN的基本概念 2.1.3 CNN的结构组成 2.1.4 卷积神经网络 ...
深度学习 --- 卷积神经网络CNN（LeNet-5网络详解）
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈型的神经网络,其在大型图像处理方面有出色的表现,目前已经被大范围使用到图像分类.定位等领域中.相比于其他神经网 ...

机器学习-初级进阶（深度学习-卷积神经网络）

机器学习-初级进阶（深度学习-卷积神经网络）相关推荐

最新文章

热门文章