基于CNN算法自定义模型的动物识别项目1

资源文件
一、数据集介绍
二、开发步骤
- 1.引入库
- 2.定义模型
- 3.定义优化器
- 4.训练数据增强
- 5.测试数据归一化
- 6.数据生成
- 7.查看类别定义
- 8.训练模型
- 9.模型可视化
- 10.显示指定层
- 11.预测每一层输出
- 12.可视化单层网络输出
- 13.增强可视化效果
- 14.可视化所有中间网络层
- 15.验证模型预测结果

资源文件

15种常见动物识别数据集

一、数据集介绍

（1）数据集分为训练集train、测试集test两部分
（2）动物类别：bird、cat、cattle、chicken、dog、dolphin、duck、elephant、giraffe、monkey、pig、rabbit、rat、sheep、tiger。
（3）train数据集中每类动物有200张图片
（4）test数据集中每类动物有20张图片

二、开发步骤

1.引入库

from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Dropout,Flatten,Dense
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt
from keras_preprocessing.image import img_to_array,load_img
from keras.models import load_model
from keras import models
from keras.preprocessing import image
import numpy as np

2.定义模型

#定义模型
model = Sequential()
# 150*150*3的彩色图片 32个卷积核 卷积核大小3*3 RELU激活函数
model.add(Conv2D(input_shape=(150,150,3),filters=32,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=32,kernel_size=3,padding='same',activation='relu'))
# 池化大小2  池化步长2
model.add(MaxPool2D(pool_size=2,strides=2))model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
# 得到二维特征图
# 转换变成一维
model.add(Flatten())
model.add(Dense(64,activation='relu')) # 全连接层
model.add(Dropout(0.5))  #抵抗过拟合
model.add(Dense(15,activation='softmax'))  #15为15分类，一般用在分类任务的输出层
model.summary()

3.定义优化器

#定义优化器，交叉熵计算准确率，optimizer梯度下降的优化方法
adam = Adam(lr=1e-4)
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])

4.训练数据增强

train_datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2, #随机旋转度数height_shift_range=0.2, #随机水平位移rescale=1/255, #数据归一化shear_range=0.2, #随机裁剪zoom_range=0.2, #随机放大horizontal_flip=True, #水平翻转fill_mode='nearest', #填充方式
)

5.测试数据归一化

test_data = ImageDataGenerator(rescale=1/255, #数据归一化
)

6.数据生成

# 定义数据生成
batch_size = 32  #每次传32张照片#生成训练数据
train_generator = train_datagen.flow_from_directory('/BASICCNN/image/train',target_size=(150,150),batch_size=batch_size,
)#生成测试数据
test_generator = test_data.flow_from_directory('/BASICCNN/image/test',target_size=(150,150),batch_size=batch_size,
)

7.查看类别定义

print(train_generator.class_indices)

8.训练模型

#训练模型 20个周期 测试集数据
history=model.fit_generator(train_generator,epochs=20,validation_data=test_generator)
model.save('/BASICCNN/TrainModel_h5/model_CNNTrain.h5')

9.模型可视化

#训练模型可视化
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model_Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epochs')
plt.legend(['Train_Accuracy','Valid_Accuracy'],loc='upper left')
plt.savefig('/BASICCNN/TrainImage/CNNTrain_accuracy.png')
plt.show()plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model_Loss')
plt.ylabel('Loss')
plt.xlabel('Epochs')
plt.legend(['Train_Loss','Valid_Loss'],loc='upper left')
plt.savefig('/BASICCNN/TrainImage/CNNTrain_loss.png')
plt.show()

10.显示指定层

#通过model的属性layers查询模型中的各层
model.layers
print(len(model.layers))
#通过各层的属性output获取各层输出张量
layer_outputs = [layer.output for layer in model.layers[:9]]
#创建新的模型，一个输入，多个输出
new_model = models.Model(inputs=model.input,outputs=layer_outputs)

11.预测每一层输出

#加载测试图片
img_path = '/BASICCNN/image/test/duck/duck.1010.jpg'
img = image.load_img(img_path,target_size=(150,150))
plt.imshow(img)
#图片预处理
#（1）将image转化为数组
img_tensor_3D = image.img_to_array(img)
#（2）由3D扩展为4D
img_tensor_4D = np.expand_dims(img_tensor_3D,axis=0)
#（3）归一化处理
img_tensor_4D = img_tensor_4D/255.
print(img_tensor_4D.shape)
img_tensor_4D
#将第二部分处理后的图片张量作为输入，得到各层实际输出张量值，使用model.predict()
activations = new_model.predict(img_tensor_4D)
#（1）查看第1层输出的张量值，输出张量空间大小可与model.summary()比对
first_layer_activation = activations[0]
print(first_layer_activation.shape)
print(first_layer_activation[0][0][0][0])
print(activations[2].shape)

12.可视化单层网络输出

plt.imshow(first_layer_activation[0,:,:,0],cmap='viridis')
plt.matshow(first_layer_activation[0,:,:,3],cmap='viridis')

13.增强可视化效果

characters = activations[0][0,:,:,0]
characters -= characters.mean() #平均值
characters /= characters.std()  #标准差
characters *=64
characters +=128
characters = np.clip(characters,0,255).astype('uint8')plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
ax1 = plt.subplot(121)
ax1.set_title('原始数据可视化效果')
ax1.imshow(activations[0][0,:,:,0],cmap='viridis')
ax2 = plt.subplot(122)
ax2.set_title('处理后数据可视化效果')
ax2.imshow(characters,cmap='viridis')
plt.savefig('/BASICCNN/TrainImage/CNN_TestGen_layer1.png')
characters

14.可视化所有中间网络层

layer_name = []
for i in model.layers[:9]:layer_name.append(i.name)
print(layer_name)images_per_row = 16
for name,act in zip(layer_name,activations):n_features = act.shape[-1]rows = n_features//images_per_rowsize = act.shape[1]display_grid = np.zeros((size*rows,size*images_per_row))for r in range(rows):for k in range(images_per_row):channel_img = act[0,:,:,r*images_per_row+k]channel_img -= channel_img.mean() #平均值# channel_img /= channel_img.std()channel_img *=64channel_img +=128channel_img = np.clip(channel_img,0,255).astype('uint8')display_grid[r*size:(r+1)*size,k*size:(k+1)*size] = channel_imgscale = 1./sizescale = 1./sizefig = plt.figure(figsize=(scale*display_grid.shape[1],scale*display_grid.shape[0]))plt.title(name)plt.grid(False)plt.imshow(display_grid,aspect='auto',cmap='viridis')plt.axis('off')fig.savefig('/BASICCNN/TrainImage/CNNintlayer' + str(k) + '.png')plt.show()plt.cla()plt.close('all')

15.验证模型预测结果

label = np.array(['bird', 'cat', 'cattle', 'chicken', 'dog', 'dolphin', 'duck', 'elephant','giraffe', 'monkey', 'pig', 'rabbit', 'rat', 'sheep', 'tiger'])
# 载入模型
model = load_model('/BASICCNN/TrainModel_h5/model_CNNTrain.h5')
# 导入图片
image = load_img('image/test/bird/bird.1010.jpg')
image = image.resize((150,150))
image = img_to_array(image)
image = image/255
image = np.expand_dims(image,0)
image.shapeprint(label[model.predict_classes(image)])

基于CNN算法自定义模型的动物识别项目1相关推荐

基于CNN的MINIST手写数字识别项目代码以及原理详解
文章目录项目简介项目下载地址项目开发软件环境项目开发硬件环境前言一.数据加载的作用二.Pytorch进行数据加载所需工具 2.1 Dataset 2.2 Dataloader 2.3 T ...
【智能算法】基于CNN算法深度学习车辆识别
目录 1.基于CNN算法深度学习车辆识别 2.文件准备 3.结果展示 1.基于CNN算法深度学习车辆识别 // The contents of this file are in the public ...
[当人工智能遇上安全] 5.基于机器学习算法的主机恶意代码识别研究
您或许知道,作者后续分享网络安全的文章会越来越少.但如果您想学习人工智能和安全结合的应用,您就有福利了,作者将重新打造一个<当人工智能遇上安全>系列博客,详细介绍人工智能与安全相关的论文. ...
Deep Learning：基于pytorch搭建神经网络的花朵种类识别项目（内涵完整文件和代码）—超详细完整实战教程
基于pytorch的深度学习花朵种类识别项目完整教程(内涵完整文件和代码) 相关链接:: 超详细--CNN卷积神经网络教程(零基础到实战) 大白话pytorch基本知识点及语法+项目实战文章目录基 ...
gcn在图像上的应用_每日摘要|基于CNN 特征的图像卷积网络识别杂草和作物
文章信息标题:CNN feature based graph convolutional network for weed and crop recognition in smart farming ...
Ubuntu22 Docker运行SRS流媒体服务,推拉流,yolov5训练自定义模型进行视频流识别
首先安装docker,设置系统启动 sudo apt-get install -y docker.io sudo systemctl start docker 查看docker进程 ps -ef|gr ...
深度学习案例之基于 CNN 的 MNIST 手写数字识别
一.模型结构本文只涉及利用Tensorflow实现CNN的手写数字识别,CNN的内容请参考:卷积神经网络(CNN) MNIST数据集的格式与数据预处理代码input_data.py的讲解请参考 :T ...
毕设：基于CNN卷积神经网络的猫狗识别、狗品种识别(Tensorflow、Keras、Kaggle竞赛)
基于卷积神经网络的图像识别算法及其应用研究毕业快一年了,拿出来分享给大家,我和网上唯一的区别就是,我能够同时实现两个方案(猫狗识别和狗品种识别),我当时也是网上各种查,花了2,3个月的时间,一个萝卜 ...
基于神经网络算法LSTM模型对股票指数进行预测
资源下载地址:https://download.csdn.net/download/sheziqiong/86813208 资源下载地址:https://download.csdn.net/downl ...

基于CNN算法自定义模型的动物识别项目1

基于CNN算法自定义模型的动物识别项目1

资源文件

一、数据集介绍

二、开发步骤

1.引入库

2.定义模型

3.定义优化器

4.训练数据增强

5.测试数据归一化

6.数据生成

7.查看类别定义

8.训练模型

9.模型可视化

10.显示指定层

11.预测每一层输出

12.可视化单层网络输出

13.增强可视化效果

14.可视化所有中间网络层

15.验证模型预测结果

基于CNN算法自定义模型的动物识别项目1相关推荐

最新文章

热门文章