猫狗大战使用CNN分类

一.构造数据集

我们直接下载下来的猫狗数据集是分为训练集和测试集的25000张猫狗图像。

这个数据集太大了而且猫狗没有分类，我们需要创建一个新的数据集。分为每个类别各1000个样本的训练集和每个类别各500个样本的测试集，验证集。

import os,shutil#解压该目录的文件（训练集照片，25000猫狗图像）
original_dataset_dir = 'G:\\Astudy\\python深度学习基于tensorflow\\dataset\\kaggle\\train'#在指定路径下创建文件夹
base_dir = 'G:\\Astudy\\python深度学习基于tensorflow\\dataset\\小型猫狗数据集'
os.mkdir(base_dir)#创建目录

首先创建出我们数据集的文件夹

然后分别创建训练集测试机验证集的文件夹。

#创建训练集，验证集，测试集文件夹
train_dir = os.path.join(base_dir,'训练集')#用于拼接文件的路径
os.mkdir(train_dir)#创建目录
validation_dir = os.path.join(base_dir,'验证集')#连接目录与文件名
os.mkdir(validation_dir)#创建目录
test_dir = os.path.join(base_dir,'测试集')
os.mkdir(test_dir)#在这三个文件夹中分别创建猫，狗文件夹
train_cats_dir = os.path.join(train_dir,'猫')
os.mkdir(train_cats_dir)
train_dogs_dir = os.path.join(train_dir,'狗')
os.mkdir(train_dogs_dir)
validation_cats_dir = os.path.join(validation_dir,'猫')
os.mkdir(validation_cats_dir)
validation_dogs_dir = os.path.join(validation_dir,'狗')
os.mkdir(validation_dogs_dir)
test_cats_dir = os.path.join(test_dir,'猫')
os.mkdir(test_cats_dir)
test_dogs_dir = os.path.join(test_dir,'狗')
os.mkdir(test_dogs_dir)

现在所有的文件夹都已经创建好了，我们把原始数据分类喂进各个文件夹里面

#将前1000张狗的图像复制到train_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)#src=原始数据中的dogi.jpgdst = os.path.join(train_dogs_dir,fname)#dst=小型猫狗数据集\训练集\狗\dogi.jpgshutil.copyfile(src,dst)#将src复制为dst
#将接下来500张狗的图像复制到validation_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000,1500)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)dst = os.path.join(validation_dogs_dir,fname)shutil.copyfile(src,dst)
#将接下来500张狗的图像复制到test_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1500,2000)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)dst = os.path.join(test_dogs_dir,fname)shutil.copyfile(src,dst)#将前1000张猫的图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)dst = os.path.join(train_cats_dir,fname)shutil.copyfile(src,dst)
#将接下来500张猫的图像复制到validation_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000,1500)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)dst = os.path.join(validation_cats_dir,fname)shutil.copyfile(src,dst)
#将接下来500张猫的图像复制到test_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1500,2000)]
for fname in fnames:src = os.path.join(original_dataset_dir,fname)dst = os.path.join(test_cats_dir,fname)shutil.copyfile(src,dst)

打印一下看看：

print('训练集猫的图片：',len(os.listdir(train_cats_dir)))
print('训练集狗的图片：',len(os.listdir(train_dogs_dir)))
print('验证集猫的图片：',len(os.listdir(validation_cats_dir)))
print('验证集狗的图片：',len(os.listdir(validation_dogs_dir)))
print('测试集猫的图片：',len(os.listdir(test_cats_dir)))
print('测试集狗的图片：',len(os.listdir(test_dogs_dir)))

所以我们现在已经拥有了2000张训练图像，1000张验证图像和1000张测试图像。

二.构建网络

没啥说的直接上代码：

#构建网络
from keras import layers
from keras import modelsmodel = models.Sequential()
model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(150,150,3)))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(64,(3,3),activation='relu'))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(128,(3,3),activation='relu'))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(128,(3,3),activation='relu'))
model.add(layers.MaxPooling2D((2,2)))
model.add((layers.Flatten()))
model.add(layers.Dense(512,activation='relu'))
model.add(layers.Dense(1,activation='sigmoid'))from keras import  optimizers
model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])

我们来看一下特征图的维度如何随着每层变化的：

三.数据预处理

数据预处理步骤： 1读取图像文件
2将JPEG文件解码为RGB像素网格
3将这些像素网格转化为浮点数张量
4将像素值缩放到【0,1】区间内
我们可以用ImageDataGenerator类自动完成这一系列步骤，可=。它以快速创建Python生成器。生成了150*150的RGB图像（形状为（20,150,150,3））和二进制标签（形状为（20，）组成的批量，每个批量中包含20个文件。

#数据预处理
#使用ImageDataGenerator从目录中读取图像
from keras.preprocessing.image import ImageDataGenerator
train_dir='G:\\Astudy\\python深度学习基于tensorflow\\dataset\\小型猫狗数据集\\训练集'
validation_dir='G:\\Astudy\\python深度学习基于tensorflow\\dataset\\小型猫狗数据集\\验证集'
#将图像除以225缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(train_dir,#读取文件的目录（训练集）target_size=(150,150),#将所有图像调整为150*150batch_size=20,#每个批量包含20个样本class_mode='binary'#使用二进制标签
)
validation_generator = train_datagen.flow_from_directory(validation_dir,target_size=(150,150),#将所有图像调整为150*150batch_size=20,class_mode='binary'
)

我们使用fit_generator让模型对数据拟合，第一个参数是Python生成器，可以不停地生成输入和目标组成的批量。从生成器中抽取steps_per_epoch个批量后，拟合过程进入下一个轮次，因为有2000个训练样本，故参数取100。
同理，验证集有1000个数据，所以参数取50。

#利用批量生成器拟合模型
history = model.fit_generator(train_generator,steps_per_epoch=100,epochs=30,validation_data=validation_generator,validation_steps=50
)

四.绘制曲线观察训练过程

接下来，我们要绘制训练过程中模型在训练数据和验证数据上的损失和精度。（目的是观察训练情况调参，或调整方法）

#绘制训练过程中的损失曲线和精度曲线
import matplotlib.pyplot as pltacc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']epochs = range(1,len(acc) + 1)plt.plot(epochs,acc,'bo',label='Training acc')
plt.plot(epochs,val_acc,'b',label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()plt.figure()plt.plot(epochs,loss,'bo',label='Training loss')
plt.plot(epochs,val_loss,'b',label ='Validation loss')
plt.title('Training and Validation loss')
plt.legend()plt.show()

开始训练模型：

可以看到我们的验证集精度到第五轮开始就不变了，而我们验证集的损失更是夸张的乱飞。
可以看到明显发生了过拟合，降低过拟合可以用dropout，和权值衰减。
这里使用处理图像时专用的数据增强。

五.数据增强

数据增强就是利用多种能够生成可信图像的随机变换来增加样本。
举个例子：

#利用ImageDataGenerator来设置数据增强
datagen = ImageDataGenerator(rotation_range=40,#表示图像随机旋转的角度范围width_shift_range=0.2,#图像在水平方向上平移的范围height_shift_range = 0.2,#图像在垂直方向上平移的范围shear_range=0.2,#随机错切变换的角度zoom_range=0.2,#图像随机缩放的范围horizontal_flip=True,#随即将一半图像水平翻转fill_mode='nerest'#填充新创建像素的方法
)

接下来使用数据增强后的数据来训练网络。
代码如下：

#定义一个包含dropout的新卷积神经网络
from keras import layers
from keras import models
model = models.Sequential()
model.add(layers.Conv2D(32,(3,3),activation='relu',input_shape=(150,150,3)))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(64,(3,3),activation='relu'))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(128,(3,3),activation='relu'))
model.add(layers.MaxPooling2D((2,2)))
model.add((layers.Conv2D(128,(3,3),activation='relu')))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Flatten())
model.add(layers.Dropout(0.5))
model.add(layers.Dense(512,activation='relu'))
model.add(layers.Dense(1,activation='sigmoid'))
from keras import  optimizers
model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])#利用数据增强生成器训练卷积神经网络
train_dir='G:\\Astudy\\python深度学习基于tensorflow\\dataset\\小型猫狗数据集\\训练集'
validation_dir='G:\\Astudy\\python深度学习基于tensorflow\\dataset\\小型猫狗数据集\\验证集'
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255,rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,
)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(train_dir,target_size=(150,150),batch_size=32,class_mode='binary'
)
validation_generator=test_datagen.flow_from_directory(train_dir,target_size=(150, 150),batch_size=32,class_mode='binary'
)
history = model.fit_generator(train_generator,steps_per_epoch=100,epochs=100,validation_data=validation_generator,validation_steps=50
)#保存模型
model.save('cats_and_dogs_small_2.h5')
#绘制训练过程中的损失曲线和精度曲线
import matplotlib.pyplot as pltacc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']epochs = range(1,len(acc) + 1)plt.plot(epochs,acc,'bo',label='Training acc')
plt.plot(epochs,val_acc,'b',label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()plt.figure()plt.plot(epochs,loss,'bo',label='Training loss')
plt.plot(epochs,val_loss,'b',label ='Validation loss')
plt.title('Training and Validation loss')
plt.legend()plt.show()

可以看到很好的抑制了过拟合现象

在验证集的准确率表现也很不错哦：

上述内容来自于参考书《Python深度学习》第五章。