猫狗分类-简单CNN

文章

1.导入第三方库
2.定义模型
3.训练数据和测试数据生成
4.训练模型

猫狗分类的数据集可以查看图像数据预处理。
代码运行平台为jupyter-notebook，文章中的代码块，也是按照jupyter-notebook中的划分顺序进行书写的，运行文章代码，直接分单元粘入到jupyter-notebook即可。
简单CNN实现猫狗分类代码：

1.导入第三方库

from keras.models import Sequential
from keras.layers import Convolution2D,MaxPooling2D
from keras.layers import Activation,Dropout,Flatten,Dense
from tensorflow.keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
import os

2.定义模型

# 定义模型
model = Sequential()
model.add(Convolution2D(input_shape=(150,150,3),filters=32,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=32,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))model.add(Convolution2D(filters=64,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=64,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))model.add(Convolution2D(filters=128,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=128,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))model.add(Flatten())
model.add(Dense(64,activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(2,activation="softmax"))# 定义优化器
adam = Adam(lr=1e-4)# 定义优化器，loss_function,训练过程中计算准确率
model.compile(optimizer=adam,loss="categorical_crossentropy",metrics=['accuracy']
)# 查看模型的结构
model.summary()

运行结果：

3.训练数据和测试数据生成

# 训练集数据生成
train_datagen = ImageDataGenerator(rescale=1./255,# 归一化处理shear_range=0.2,# 随机裁剪zoom_range=0.2,# 图片放大horizontal_flip=True # 水平翻转
)
# 测试集数据处理
test_datagen = ImageDataGenerator(rescale=1./255)

测试集通常不需要做复杂的数据生成，测试集只是未来测试才用，而训练集时为了
做数据生成是为了：

1.增加数据量，使得图片各种各样
2.增加模型的鲁棒性，使其泛化性更好

flow_from_directory:

directory:目标文件夹路径，对于每一个类，该文件夹都要包含一个子文件夹.子文件夹中任何JPG、PNG、BNP、PPM的图片都会被生成器使用
target_size:整数tuple，默认为（256，256）.图像将被resize成该尺寸
color_mode:颜色模式，为"grayscale"，“rgb"之一，默认为"rgb”.代表这些图片是否会被转换为单通道或三通道的图片.
classes:可选参数，为子文件夹的列表，如[‘dogs’，‘cats’]默认为None.若未提供，则该类别列表将从directory下的子文件夹名称/结构自动推断，每一个子文件夹都会被认为是一个新的类。（类别的顺序将按照字母表顺序映射到标签值）。通过属性class_indices可获得文件夹名与类的序号的对应字典。
class_mode:“categorical”，“binary”，“sparse"或None之一，默认为"categorical”.该参数决定了返回的标签数组的式，"categorical"会返回2D的one-hot编码标签，"binary"返回1D的二值标签."sparse"返回1D的整数标签，如果为None则不返回任何标签，生成器将仅仅生成batch数据，这种情况在使用model.predict_generator()和model.evaluate_generator()等函数时会用到.
batch_size:batch数据的大小，默认为32
shuffle:是否打乱数据，默认为True
seed:可选参数，打乱数据和进行变换时的随机数种子

batch_size = 32
# 生成训练数据
train_generator = train_datagen.flow_from_directory("../input/cat-and-dog-classify/train/train",# 训练数据路径target_size=(150,150),# 设置图片大小batch_size=batch_size # 批次大小
)
# 测试数据
test_generator = test_datagen.flow_from_directory("../input/cat-and-dog-classify/test/test",# 训练数据路径target_size=(150,150),# 设置图片大小batch_size=batch_size # 批次大小
)

# 统计文件个数
totalFileCount_train = sum([len(files) for root,dirs,files in os.walk("../input/cat-and-dog-classify/train/train")])
totalFileCount_test = sum([len(files) for root,dirs,files in os.walk("../input/cat-and-dog-classify/test/test")])

4.训练模型

model.fit_generator(train_generator,steps_per_epoch=totalFileCount_train/batch_size,epochs=50,validation_data=test_generator,validation_steps=totalFileCount_train/batch_size
)# 保存模型
model.save("CNN1.h5")

这里面有一个steps_per_epoch=totalFileCount_train/batch_size这个是计算每批次的总步数，一批次的总步数等于数据量除以batch_size。
运行结果：

猫狗分类-简单CNN相关推荐

猫狗分类-VGG16-bottleneck
文章一.网络模型训练二.完整代码 1.导入第三方库 2.载入预测训练的VGG16模型,不包括全连接层 3.对数据进行增强 4.保存卷积层和池化层训练的数据 5.读取数据+给数据添加标签 6.搭建全 ...
Pytorch+CNN+猫狗分类实战
文章目录 0.前言 1.猫狗分类数据集 1.1数据集下载(可选部分) 1.2数据集分析 2.猫狗分类数据集预处理 2.1训练集和测试集划分 2.2训练集和测试集读取 3.剩余代码 4.总结 0.前言 ...
【飞桨】卷积神经网络(CNN)实现猫狗分类
目录什么是卷积神经网络? 一.数据准备二.网络配置 1. 定义网络 2. 定义输入数据的格式 3. 定义损失函数和准确率 4. 定义优化方法三.模型训练&评估四.模型预测五.完整代码 ...
CNN神经网络猫狗分类经典案例
AI:CNN神经网络猫狗分类经典案例猫狗的训练数据可以在kaggle下载: https://www.kaggle.com/tongpython/cat-and-dog/data 本例使用ImageD ...
CNN神经网络猫狗分类经典案例，深度学习过程中间层激活特征图可视化
AI:CNN神经网络猫狗分类经典案例,深度学习过程中间层激活特征图可视化基于前文 https://zhangphil.blog.csdn.net/article/details/103581736 ...
初学者友好项目 - 使用 CNN 的猫狗分类
使用CNN进行猫狗分类卷积神经网络 (CNN) 是一种算法,将图像作为输入,然后为图像的所有方面分配权重和偏差,从而区分彼此.神经网络可以通过使用成批的图像进行训练,每个图像都有一个标签来识别图像的 ...
CV之IC之AlexNet：基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用
CV之IC之AlexNet:基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用目录基于tensorflow框架采用CNN(改进 ...
【TensorFlowKeras】基于卷积神经网络CNN的猫狗分类
文章目录一.猫狗数据集二.构建网络三.基准模型调整四.使用VGG19实现猫狗分类五.参考
【CNN】搭建AlexNet网络——并处理自定义的数据集（猫狗分类）
前言 2012年,AlexNet横空出世.它首次证明了学习到的特征可以超越手工设计的特征.它一举打破了计算机视觉研究的现状. AlexNet使用了8层卷积神经网络,并以很大的优势赢得了2012年Ima ...