基于Keras的卷积神经网络模型预测--狗的品种识别

基于Keras的卷积神经网络模型预测–狗的品种识别

from sklearn.datasets import load_files
from keras.utils import np_utils
import numpy as np
from glob import glob
import os
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from matplotlib import image
from keras.preprocessing import image as image1
from tqdm import tqdm
from PIL import ImageFile
from keras.callbacks import ModelCheckpoint
#定义加载数据集函数
def load_dataset(path):data=load_files(path)dog_files=np.array(data['filenames'])raw_targets=np.array(data['target'])dog_targets=np_utils.to_categorical(raw_targets,num_classes)return dog_files,raw_targets,dog_targets
#加载数据集
def draw_random_9_dog_images(dogpath_prefix_len):fig,axes=plt.subplots(nrows=3,ncols=3)fig.set_size_inches(10,9)random_9_nums=np.random.choice(len(x_train),9)random_9_imgs=x_train[random_9_nums]print(random_9_imgs)imgname_list=[]for imgpath in random_9_imgs:imgname=imgpath[dogpath_prefix_len:]imgname=imgname[:imgname.find('/')]imgname_list.append(imgname)index=0for row_index in range(3):for col_index in range(3):img=image.imread(random_9_imgs[index])ax=axes[row_index,col_index]ax.imshow(img)ax.set_xlabel(imgname_list[index])index+=1plt.show()
def path_to_tensor(img_path):img=image1.load_img(img_path,target_size=(224,224,3))x=image1.img_to_array(img)return np.expand_dims(x,axis=0)
def paths_to_tensor(img_paths):list_of_tensors=[path_to_tensor(img_path) for img_path in tqdm(img_paths)]return np.vstack(list_of_tensors)if __name__ == '__main__':num_classes = 120path0=os.path.join(os.getcwd(),'Images')# path0=r'Images/'dog_filepaths,dog_raw_targets,dog_targets=load_dataset(path0)print(dog_filepaths)print(dog_raw_targets)print(dog_targets)dogpath_prefix_len=len(os.path.join(path0,'n02085602-'))dog_names=[item[dogpath_prefix_len:] for item in sorted(glob(os.path.join(path0,'*')))]print("dog_names=",dog_names)print(glob(path0))print("狗的品种有{}种".format(len(dog_names)))print("狗的图片一共有{}张".format(len(dog_filepaths)))print(dog_names[:5])print(dog_filepaths[:5])print(dog_raw_targets[:10])print(dog_targets[:3])dog_filepaths=dog_filepaths[:9000]dog_targets=dog_targets[:9000]x_train,x_test,y_train,y_test=train_test_split(dog_filepaths,dog_targets,test_size=0.2)half_test_count=int(len(x_test)/2)x_valid=x_test[:half_test_count]y_valid=y_test[:half_test_count]x_test=x_test[half_test_count:]y_test=y_test[half_test_count:]print("x_train.shape={},y_train.shape={}".format(x_train.shape,y_train.shape))print("x_valid.shape={},y_valid.shape={}".format(x_valid.shape, y_valid.shape))print("x_test.shape={},y_test.shape={}".format(x_test.shape, y_test.shape))plt.style.use('default')draw_random_9_dog_images(dogpath_prefix_len)dogs_shape_list=[]for filepath in dog_filepaths:shape=image.imread(filepath).shapeif len(shape)==3:dogs_shape_list.append(shape)dogs_shapes=np.asarray(dogs_shape_list)print("总共{}张".format(len(dogs_shapes)))print("随机抽取3张照片的维度是{}。".format(dogs_shapes[np.random.choice(len(dogs_shapes),3)]))dogs_mean_width=np.mean(dogs_shapes[:,0])dogs_mean_height=np.mean(dogs_shapes[:,1])print("狗的图片的平均宽：{}*平均高：{}。".format(dogs_mean_width,dogs_mean_height))plt.plot(dogs_shapes[:,0],dogs_shapes[:,1],'o')plt.title("The Image Sizes of All Categories of Dog")plt.xlabel("Image Width")plt.ylabel("Image Height")plt.show()plt.hist(dogs_shapes[:,0],bins=100)plt.title("Dog Images Width Distribution")plt.show()plt.hist(dogs_shapes[:,1],bins=100)plt.title("Dog Images Height Distribution")plt.show()#数据预处理ImageFile.LOAD_TRUNCATED_IMAGES=Truetrain_tensors=paths_to_tensor(x_train).astype(np.float32)/255valid_tensors=paths_to_tensor(x_valid).astype(np.float32)/255test_tensors=paths_to_tensor(x_test).astype(np.float32)/255#创建模型from keras.layers import Conv2D,MaxPooling2D,GlobalAveragePooling2Dfrom keras.layers import Dropout,Flatten,Densefrom keras.models import Sequentialmodel=Sequential()model.add(Conv2D(filters=16,kernel_size=(2,2),strides=(1,1),padding='same',activation='relu',input_shape=train_tensors.shape[1:]))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.2))model.add(Conv2D(filters=32,kernel_size=(2,2),strides=(1,1),padding='same',activation='relu'))model.add(Conv2D(filters=64, kernel_size=(2, 2), strides=(1, 1), padding='same', activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.2))model.add(GlobalAveragePooling2D())model.add(Dropout(0.5))model.add(Dense(num_classes,activation='softmax'))model.summary()model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])path1=os.path.join(os.getcwd(),'saved_models','weights.best.from_scratch.hdf5')checkpointer=ModelCheckpoint(filepath=path1,verbose=1,save_best_only=True)epochs=20model.fit(train_tensors,y_train,validation_data=(valid_tensors,y_valid),epochs=epochs,batch_size=20,callbacks=[checkpointer],verbose=1)##加载具有最好验证权重的模型model.load_weights(path1)dog_breed_predictions=[np.argmax(model.predict(np.expand_dims(tensor,axis=0))) for tensor in test_tensors]test_accuracy=100*np.sum(np.array(dog_breed_predictions==np.argmax(y_test,axis=1))/len(dog_breed_predictions))print('Test Accuracy:{}'.format(test_accuracy))

这个神经网络比较简单，准确率不高。

基于Keras的卷积神经网络模型预测--狗的品种识别相关推荐

笔记：基于keras的不同神经网络模型Minst手写体识别
基于keras的不同神经网络模型MNIST手写体识别 1.CNN版 1.导入数据相关库(导入plt是为了看数据集的图) import keras from keras.datasets import ...
基于Keras的卷积神经网络用于猫狗分类(未进行数据增强)+卷积层可视化
首先看数据集路径: cats和dogs存放的就是各种大小的猫狗图片. 读取数据集代码: import os import matplotlib.pyplot as plt ""&q ...
基于Keras的卷积神经网络用于猫狗分类(进行了数据增强)+卷积层可视化
接着我上一篇博客,https://blog.csdn.net/fanzonghao/article/details/81149153. 在上一篇基础上对数据集进行数据增强.函数如下: "&q ...
基于Tensorflow的卷积神经网络模型实现水果分类识别（实践案例）
前言写这篇博客的目的,就是记录下实现Fruit Dataset Image Classification Network的过程,所以从头开始写.这里感谢下会飞的小咸鱼提供了思路,文章内容主要翻译自K ...
Keras之CNN：基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别
Keras之CNN:基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别目录输出结果设计思路核心代码输出结果设计思路核心代码 # -*- codin ...
采用keras深度学习框架搭建卷积神经网络模型实现垃圾分类，基于树莓派上进行实时视频流的垃圾识别源代码
一.项目概述简介:该垃圾分类项目主要在于对各种垃圾进行所属归类,本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类,最终移植在树莓派上进行实时视频流的垃圾识别. 前期:主要考虑PC端 ...
图片2分类卷积神经网络模型训练、分类预测案例全过程（1）
图片2分类卷积神经网络模型训练.分类预测案例全过程(1) 前言 (1)尽管目前有关卷积神经网络深度学习的相关材料较多,但深度学习牵涉到数据预处理.模型构建.模型调用等环节,我也是一个初学者,中间有很多 ...
keras卷积处理rgb输入_CNN卷积神经网络模型搭建
前言前段时间尝试使用深度学习来识别评测过程中的图片,以减少人力成本.目前是在深度学习框架Keras(后端使用TensorFlow)下搭建了一个CNN卷积神经网络模型,下面就如何搭建一个最简单的数字图 ...
图片2分类卷积神经网络模型训练、分类预测案例全过程（2）
上一篇博客内容讲述了卷积神经网络模型构建.训练以及模型的保存,包括训练样本数据的预处理和喂给网络. 本篇博客内容讲述训练好的模型的应用和实际图片数据的分类预测. 图片2分类卷积神经网络模型训练.分类预 ...

基于Keras的卷积神经网络模型预测--狗的品种识别

基于Keras的卷积神经网络模型预测–狗的品种识别

基于Keras的卷积神经网络模型预测--狗的品种识别相关推荐

最新文章

热门文章