Keras CIFAR-10彩色图像物体识别卷积神经网络

参考书籍《Tensorflow+Keras 深度学习人工智能实践应用》林大贵著
第九章，第十章。
这是一本很通俗易懂的入门实践书，所有代码，事无巨细地进行了解释

CIFAR-10数据集是60000个32x32的彩色图像，分为10类，飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。50000个训练图像，10000个测试图像

1.数据集处理
1-1. 下载CIFAR-10数据集

from keras.datasets import cifar10
import numpy as np
np.random.seed(10)(x_image_train,y_label_train),\
(x_image_test,y_label_test)=cifar10.load_data()

cifar10.load_data()用于下载或者读取CIFAR-10数据集，第一次下载会花费一点时间

1-2. 查看训练数据

1-3.查看多项训练数据（label and image）

import matplotlib.pyplot as plt
label_dict={0:'airplane',1:'automobile',2:'bird',3:'cat',4:'deer',5:'dog',6:'frog',7:'horse',8:'ship',9:'truck'}
#用字典dict定义每一个数字所代表的图像类别名称
def plot_images_labels_prediction(images,labels,prediction,idx,num=10):fig=plt.gcf()fig.set_size_inches(12,14)if num>25: num=25for i in range(0,num):ax=plt.subplot(5,5,1+i)ax.imshow(images[idx],cmap='binary')title=str(i)+','+label_dict[labels[i][0]]if len(prediction)>0:title+='=>'+label_dict[prediction[i]]ax.set_title(title,fontsize=10)ax.set_xticks([]);ax.set_yticks([])idx+=1plt.show()plot_images_labels_prediction(x_image_train,y_label_train,[],0)#查看训练数据前十项

1-4.对image,label 数据进行预处理
image 标准化，label转换为独热码（One-Hot Encoding）
数字标准化可以提高模型的准确率，模型精度，提升模型收敛速度。

#image预处理 （RGB各通道除以255标准化）
x_image_train_norm=x_image_train.astype('float32')/255.0
x_image_test_norm=x_image_test.astype('float32')/255.0
x_image_train_norm[0][0][0]

查看了训练数据第一个图像第一个点的标准化结果，3个数据分别代表RGB
Out[12]: array([ 0.23137255, 0.24313726, 0.24705882], dtype=float32)

对label预处理
查看label形状，前5项数据

将label转为One-Hot Encoding
(0—（1000000000），1–（0100000000），6对应的就是----（0000001000）)

#label 预处理
#Keras 提供了np_utils.to_categorical方法可进行One-Hot Encoding转换
from keras.utils import np_utils
y_label_train_OneHot=np_utils.to_categorical(y_label_train).reshape(50000,10)
y_label_test_OneHot=np_utils.to_categorical(y_label_test).reshape(10000,10)

输入：y_label_train_OneHot[:5]
2. Keras 卷积神经网络识别CIFAR-10图像
上接第一部分数据集下载和处理
2-1
卷积神经网络可分为两部分
图像特征提取：卷积层1（conv1）,池化层1（pooling1）,conv2,pooling2,提取图像特征。
完全连接神经网络：平坦层，隐藏层，输出层所组成的神经网络。

2-2 建立模型
卷积层、池化层、全连接网络（平坦、隐藏、输出层）线性堆叠
model.add() 为模型增加层

#2-1 建立模型
from keras.models import Sequential
from keras.layers import Dense,Dropout,Activation,Flatten
from keras.layers import Conv2D,MaxPooling2D,ZeroPadding2D#建立线性堆叠模型，后续只要将各个神经网络加入模型即可
model=Sequential()
#建立卷积层1
model.add(Conv2D(filters=32,kernel_size=(3,3),input_shape=(32,32,3),activation='relu',padding='same'))
#建立池化层1,将32x32的图像缩减为16x16的图像
model.add(MaxPooling2D(pool_size=(2,2)))
#建立卷积层2
model.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same'))
#加入Dropout避免过拟合
model.add(Dropout(0.25))
#建立池化层2
model.add(MaxPooling2D(pool_size=(2,2)))
#建立神经网络#建立平坦层
model.add(Flatten())
model.add(Dropout(0.25))#建立隐藏层
model.add(Dense(1024,activation='relu'))
model.add(Dropout(0.25))    #建立输出层
model.add(Dense(10,activation='softmax'))

Conv1层参数
| filters=32, | 设置随机产生32个滤镜 |
|kernel_size=(3,3) |每个滤镜大小为3x3|
| padding=‘same’ |让卷积运算产生的卷积图像大小不变 |
|input_size=(32,32,3)|三维，前两维代表图像形状大小32x32，第3维代表是彩色图像，RGB三个通道 |
|activation=‘relu’ |设置该层激活函数为relu|
Pooling 1参数
pool_size=(2,2),将32x32图像缩减为16x16
Conv1层参数
| filters=64, | 设置随机产生64个滤镜 |
|kernel_size=(3,3) |每个滤镜大小为3x3|
| padding=‘same’ |让卷积运算产生的卷积图像大小不变 |
|activation=‘relu’ |设置该层激活函数为relu|
Dropout 避免过度拟合
model.add(Dropout(0.25)) 每次训练迭代在神经网络放弃25%的神经元
剩下的参数设置和上面相似
输入：print(model.summary()) 查看模型摘要

2-3 进行训练

#开始训练
train_history=model.fit(x=x_image_train_norm,y=y_label_train_OneHot,validation_split=0.2,epochs=20,batch_size=128,verbose=2)

loss:设置损失函数，在深度学习中使用交叉熵训练效果较好
optimizer:在训练时，使用adam优化器可以让训练更快收敛，并提高准确率
metrics设置评估模型的方式是准确率
model.fit训练，训练过程存在train_history里面，model.fit需要的参数：
输入训练数据参数
x_image_train_norm，y_label_train_OneHot
设置训练与验证数据的比例
validation_split=0.2, 80%为训练数据（50000x0.8=40000），20%为验证数据
epochs=20,网络训练20次
batch_size=128,每批次128项数据，共40000/128=313个批次，每次网络训练要处理313个批次的数据
verbose=2, 显示训练过程

2-3查看训练结果
查看准确率、损失执行过程

def show_train_history(train_history,train,validation):plt.plot(train_history.history[train])plt.plot(train_history.history[validation])plt.title('Train History')plt.ylabel(train)plt.xlabel('Epoch')plt.legend(['train','validation'],loc='upper left')plt.show()show_train_history(train_history,'acc','val_acc')plt.figure()
show_train_history(train_history,'loss','val_loss')

结果：

#查看模型正确率
scores=model.evaluate(x_image_test_norm,y_label_test_OneHot,verbose=1)

#2-4 进行预测
prediction=model.predict_classes(x_image_test_norm)
#预测结果，前10项数据
prediction[:10]

#显示前10项结果
plt.figure()
plot_images_labels_prediction(x_image_test,y_label_test,prediction,0,10)

2-5 显示预测概率
查看第1项test数据的概率（被分类为各类的概率）

#2-5 显示预测概率
#预测概率
Predicted_Probability=model.predict(x_image_test_norm)def show_Predicted_Probability(y_label,prediction,x_image,Predicted_Probabilty,i):print('label:',label_dict[y_label[i][0]],'predict',label_dict[prediction[i]])plt.figure(figsize=(2,2))plt.imshow(np.reshape(x_image_test[i],(32,32,3)))plt.show()for j in range(10):print(label_dict[j]+' '+'Probability:%1.9f'%(Predicted_Probability[i][j]))
show_Predicted_Probability(y_label_test,prediction,x_image_test,Predicted_Probability,1)

可以看出这张船图片，被分类为船的概率为0.8812，概率最高，最后预测结果是正确的，第0项是分类错误的，也可以查看概率，如上。

2-6 显示混淆矩阵
用pd.crosstab建立混淆矩阵，它的输入要求是一维数组，所有用y_label_test.shape,prediction.shape,分别查看是不是一维数，其中y_label_test为（10000，1），要用reshape,转换为一维数组

#2-6 显示混淆矩阵
y=y_label_test.reshape(-1)  #将其转换为一维数组import pandas as pd
print(label_dict)
pd.crosstab(y,prediction,rownames=['labels'],colnames=['predict'])

对角线是预测正确的，可以分析出最容易混淆的类别，和最不容易混淆的。

2-7 模型的加载与保存
每次训练卷积神经网络都会花费很长时间，，可以在每次完成训练后，保存模型，或者保存权重，下次执行训练先加载模型权重，再继续训练

'''
#2-7 模型的加载与保存
model.save('model.h5')
#保存模型权重
model.save_weights('my_model_weights.h5')
#下次使用的时候
model = load_model('model.h5')
model.load_weights('my_model_weights.h5')
'''

在你保存脚本文件的文件夹就会出现保存好的h5文件

END
建立3次的卷积运算神经网络会进一步提高准确率。

遇到的问题:
1.小白问题，变量名手抖打错
2.注意关注维数，原书中的np_utils.to_categorical方法可进行One-Hot Encoding转换，转换后的形状却是（50000，1，10），后面进行网络训练报错，提示输出层需要输入一个二维向量，而收到的是（50000，1，10），所以我又去reshape了一下。也没查明白，这个np_utils.to_categorical怎么不好使了，在之前MNIST手写数字识别，这个就没什么问题。
更改为：
y_label_train_OneHot=np_utils.to_categorical(y_label_train).reshape(50000,10)

Thank you for reading…继续坚持不懈地记录学习过程

Keras CIFAR-10彩色图像物体识别卷积神经网络相关推荐

基于tensorflow、keras利用emnist数据集构建CNN卷积神经网络进行手写字母识别
EMNIST 数据集是一个包含手写字母,数字的数据集,它具有和MNIST相同的数据格式.The EMNIST Dataset | NIST 引用模块介绍: import tensorflow as t ...
从零开始学keras之使用预训练的卷积神经网络
想要将深度学习应用于小型图像数据集,一种常用且非常高效的方法是使用预训练网络. 预训练网络(pretrained network)是一个保存好的网络,之前已在大型数据集(通常是大规模图像分类任务)上训 ...
花卉识别卷积神经网络
卷积神经网络做的花卉识别,keras.五分类,向日葵,雏菊,郁金香,玫瑰,蒲公英. 之后更怎么做的
Keras 搭建图片分类 CNN （卷积神经网络）
1. 导入keras from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatte ...
基于keras的猫狗分类(小型卷积神经网络)
背景: 本文主要介绍猫狗分类问题,原型取自2013年的kaggle计算机竞赛,你可以从https://www.kaggle.com/c/dogs_vs_cats/data获取必要的数据集,或者寻找其他 ...
毕业设计基于深度学习的动物识别 - 卷积神经网络机器视觉图像识别
文章目录 0 前言 1 背景 2 算法原理 2.1 动物识别方法概况 2.2 常用的网络模型 2.2.1 B-CNN 2.2.2 SSD 3 SSD动物目标检测流程 4 实现效果 5 部分相关代码 5 ...
bp神经网络实现人脸识别,卷积神经网络手势识别
BP人工神经网络方法 (一)方法原理人工神经网络是由大量的类似人脑神经元的简单处理单元广泛地相互连接而成的复杂的网络系统.理论和实践表明,在信息处理方面,神经网络方法比传统模式识别方法更具有优势. 人 ...
基于神经网络的车牌识别,卷积神经网络车牌识别
现在很多工程项目都用车牌识别系统,我想问一下车牌识别系统的原理是什么? 核心算法:从六个步骤来提取我们抓拍的车牌信息,第一:图像捕捉采集.第二:车牌定位.第三:预处理.第四:字符分割.第五:字符识别. ...
10分钟了解图卷积神经网络的常用算法和发展方向
来源:数学算法俱乐部近几年,机器学习在各个领域井喷式发展,现已成为当下最热门的技术.掌握机器学习,你就比 80% 的人更具备竞争优势. 谷歌的无人驾驶.抖音的推荐系统.百度的人脸识别.大疆的无人机. ...

Keras CIFAR-10彩色图像物体识别卷积神经网络

Keras CIFAR-10彩色图像物体识别卷积神经网络相关推荐

最新文章

热门文章

Keras CIFAR-10彩色图像物体识别 卷积神经网络

Keras CIFAR-10彩色图像物体识别 卷积神经网络相关推荐

最新文章

热门文章

Keras CIFAR-10彩色图像物体识别卷积神经网络

Keras CIFAR-10彩色图像物体识别卷积神经网络相关推荐