一、简介

本文旨在通过一些简单的案例，学习如何通过keras搭建CNN。从数据读取，数据处理，神经网络搭建，模型训练等。本文也是参考其他博主的文章基础上做了些小修改学习的，感谢其他博主的分享。
具体的CNN的原理，以及keras的原理，这里就不啰嗦了。最后会提供一些参考博客，供大家学习。代码的github地址:traffic

二、流程

总体的文件夹结构：

1.数据处理

#!/usr/bin/env python
# encoding: utf-8
from keras.preprocessing.image import img_to_array#图片转为array
from keras.utils import to_categorical#相当于one-hot
from imutils import paths
import cv2
import numpy as np
import random
import osdef load_data(path,norm_size,class_num):data = []#数据xlabel = []#标签yimage_paths = sorted(list(paths.list_images(path)))#imutils模块中paths可以读取所有文件路径random.seed(0)#保证每次数据顺序一致random.shuffle(image_paths)#将所有的文件路径打乱for each_path in image_paths:image = cv2.imread(each_path)#读取文件image = cv2.resize(image,(norm_size,norm_size))#统一图片尺寸image = img_to_array(image)data.append(image)maker = int(each_path.split(os.path.sep)[-2])#sep切分文件目录，标签类别为文件夹名称的变化，从0-61.如train文件下00014，label=14label.append(maker)data = np.array(data,dtype="float")/255.0#归一化label = np.array(label)label = to_categorical(label,num_classes=class_num)#one-hotreturn data,label

上面是数据目录，下面是对应的数据处理代码。主要分为几个部分：

利用imutils模块的paths将train或test中的所有图片文件的路径找出来image_paths。
对其中每张图片，做如下操作，利用cv2读取图片和修改图片尺寸（图片尺寸不一，要统一尺寸）。
依次将图片和对应的标签，保存到对应的列表中
图片进行归一化操作，标签进行one-hot

2.神经网络搭建

这里搭建的网络是经典的LeNet网络，从input>conv>pool>conv>pool>Dense>Dense(softmax)。具体LeNet的学习，请见参考。这里是利用keras搭建的LeNet，keras的顺序模型（另外一种为函数式API）。

#!/usr/bin/env python
# encoding: utf-8
import keras
from keras.layers import Conv2D, MaxPooling2D, Dropout, Dense, Flatten
from keras.models import Sequential
import keras.backend as Kclass Lenet:#经典网络，不懂去查def neural(channel,height,width,classes):input_shape = (channel,height,width)if K.image_data_format() == "channels_last":#确认输入维度,就是channel是在开头，还是结尾input_shape = (height,width,channel)model = Sequential()#顺序模型（keras中包括顺序模型和函数式API两种方式）model.add(Conv2D(20,(5,5),padding="same",activation="relu",input_shape=input_shape,name="conv1"))model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2),name="pool1"))model.add(Conv2D(50,(5,5),padding="same",activation="relu",name="conv2",))model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2),name="pool2"))model.add(Flatten())model.add(Dense(500,activation="relu",name="fc1"))model.add(Dense(classes,activation="softmax",name="fc2"))return model

具体参数，其中卷积层卷积核一般不超过5，步长一般为1。池化层一般大小和步长都为2。

3.训练

#!/usr/bin/env python
# encoding: utf-8
import matplotlib.pylab as plt
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
import numpy as np
import sys
sys.path.append("../process")#添加其他文件夹
import data_input#导入其他模块
from traffic_network import Lenetdef train(aug, model,train_x,train_y,test_x,test_y):model.compile(loss="categorical_crossentropy",optimizer="Adam",metrics=["accuracy"])#配置#model.fit(train_x,train_y,batch_size,epochs,validation_data=(test_x,test_y))_history = model.fit_generator(aug.flow(train_x,train_y,batch_size=batch_size),validation_data=(test_x,test_y),steps_per_epoch=len(train_x)//batch_size,epochs=epochs,verbose=1)#拟合，具体fit_generator请查阅其他文档,steps_per_epoch是每次迭代，需要迭代多少个batch_size，validation_data为test数据，直接做验证，不参与训练model.save("../predict/traffic_model.h5")#保存模型plt.style.use("ggplot")#matplotlib的美化样式plt.figure()N = epochsplt.plot(np.arange(0,N),_history.history["loss"],label ="train_loss")#model的history有四个属性，loss,val_loss,acc,val_accplt.plot(np.arange(0,N),_history.history["val_loss"],label="val_loss")plt.plot(np.arange(0,N),_history.history["acc"],label="train_acc")plt.plot(np.arange(0,N),_history.history["val_acc"],label="val_acc")plt.title("loss and accuracy")plt.xlabel("epoch")plt.ylabel("loss/acc")plt.legend(loc="best")plt.savefig("../result/result.png")plt.show()if __name__ =="__main__":channel = 3height = 32width = 32class_num = 62norm_size = 32#参数batch_size = 32epochs = 40model = Lenet.neural(channel=channel, height=height,width=width, classes=class_num)#网络train_x, train_y = data_input.load_data("../data/train", norm_size, class_num)test_x, test_y = data_input.load_data("../data/test", norm_size, class_num)#生成数据aug = ImageDataGenerator(rotation_range=30,width_shift_range=0.1,height_shift_range=0.1,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode="nearest")#数据增强，生成迭代器train(aug,model,train_x,train_y,test_x,test_y)#训练

这部分就是网络的训练了，主要注意keras中model输出的事history，有四个属性可以查看。另外就是ImageDataGenerator数据增强，具体请查阅其他问下。

准确率在94%，跟原博客预测准确率一样。

4.预测

对test测试集数据，进行单张图片分类预测。代码如下：(其中.h5文件，请到我的GitHub下载predict文件夹

#!/usr/bin/env python
# encoding: utf-8
import keras
from keras.preprocessing.image import img_to_array
import imutils.paths as paths
import cv2
import os
import numpy as np
import matplotlib.pylab as plt#import sys
#sys.path.append("../process")
#import data_inputchannel = 3
height = 32
width = 32
class_num = 62
norm_size = 32  # 参数
batch_size = 32
epochs = 40test_path = "../data/test"
image_paths = sorted(list(paths.list_images(test_path)))#提取所有图片地址
model = keras.models.load_model("traffic_model.h5")#加载模型
for each in image_paths:image = cv2.imread(each)image = cv2.resize(image,(norm_size,norm_size))image = img_to_array(image)/255.0image = np.expand_dims(image,axis=0)result = model.predict(image)#分类预测proba = np.max(result)#提取最大概率predict_label = np.argmax(result)#提取最大概率下标label = int(each.split(os.path.sep)[-2])#提取标签plt.imshow(image[0])#显示图片plt.title("label:{},predict_label:{}, proba:{:.2f}".format(label,predict_label,proba))plt.show()
#test_x,test_y = data_input.load_data("../data/train",norm_size,class_num)
#model = keras.models.load_model("traffic_model.h5")
#result = model.predict( ,batch_size=1,verbose=0)
#print(result)
#print(result.shape)

三、参考

代码的github地址:traffic
原博客文章：
【Keras】从两个实际任务掌握图像分类
先附上一些讲解比较好的CNN文章：
零基础入门深度学习(4) - 卷积神经网络
keras中文文档这里面内容非常好，关于sequence,utils,fit_generator,ImageDataGenerator等等内容都有，推荐浏览。
从神经网络到卷积神经网络（CNN）
在Kaggle猫狗大战冲到Top2%
imutils.path.list_image

利用keras搭建CNN完成图片分类相关推荐

基于Keras搭建CNN、TextCNN文本分类模型
基于Keras搭建CNN.TextCNN文本分类模型一.CNN 1.1 数据读取分词 1.2.数据编码 1.3 数据序列标准化 1.4 构建模型 1.5 模型验证二.TextCNN文本分类 2.1 ...
利用TensorFlow搭建CNN,DNN网络实现图像手写识别，总结。
利用TensorFlow搭建CNN,DNN网络实现图像手写识别,总结. 摘要一.神经网络与卷积网络的对比 1.数据处理 2.对获取到的数据进行归一化和独热编码二.开始我们的tensorflow神经 ...
神经网络densecnn_对比学习用 Keras 搭建 CNN RNN 等常用神经网络
参考: 各模型完整代码周莫烦的教学网站这个网站上有很多机器学习相关的教学视频,推荐上去学习学习. Keras 是一个兼容 Theano 和 Tensorflow 的神经网络高级包, 用他来组件一个 ...
（转！）利用Keras实现图像分类与颜色分类
2018-07-19 全部谷歌渣翻加略微修改大家将就的看哈建议大佬们还是看看原文点击收获原文其中用到的示例文件 multi-output-classification 大家可以点击下载 . ...
基于卷积神经网络CNN的图片分类实现——附代码
目录摘要: 1.卷积神经网络介绍: 2.卷积神经网络(CNN)构建与训练: 2.1 CNN的输入图像 2.2 构建CNN网络 2.3 训练CNN网络 3.卷积神经网络(CNN)的实际分类测试: 4. ...
CNN自定义图片分类(Pytorch)
CNN图片分类(Pytorch)_zju_cbw的博客-CSDN博客这篇文章主要讲述用 pytorch 完成简单 CNN 图片分类任务,如果想对 CNN 的理论知识进行了解,可以看我的这篇文章,深度学 ...
利用keras搭建神经网络拟合非线性函数
神经网络有着一个非常奇妙的结构,它的数学原理虽然相对简单,但是能做的事情却不少,数学家已经证明,具有2层(输入层除外)和非线性激活函数的神经网络,只要在这些层中有足够多的神经元,就可以近似任何函数(严 ...
基于Keras的生成对抗网络（1）——利用Keras搭建简单GAN生成手写体数字
目录 0.前言一.GAN结构二.函数代码 2.1 生成器Generator 2.2 判别器Discriminator 2.3 train函数三.结果演示四.完整代码五.常见问题汇总 0.前言 ...
利用TensorFlow搭建CNN
通过相关资料,学习使用TensorFlow搭建CNN的流程.整的提出分为以下几个步骤:设置网络参数-设置输入占位符变量-设置网络结构-优化损失函数-设置训练参数-训练网络-输出准确度等 #!/usr/ ...

利用keras搭建CNN完成图片分类

文章目录