keras 多分类一些函数参数设置

用Lenet-5 识别Mnist数据集为例子：

采用下载好的Mnist数据压缩包转换成PNG图片数据集,加载图片采用keras图像预处理模块中的ImageDataGenerator。

首先import所需要的模块

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Model
from keras.layers import MaxPooling2D,Input,Convolution2D
from keras.layers import Dropout, Flatten, Dense
from keras import backend as K

定义图像数据信息及训练参数

img_width, img_height = 28, 28
train_data_dir = 'dataMnist/train' #train data directory
validation_data_dir = 'dataMnist/validation'# validation data directory
nb_train_samples = 60000
nb_validation_samples = 10000
epochs = 50
batch_size = 32

判断使用的后台

if K.image_dim_ordering() == 'th':input_shape = (3, img_width, img_height)
else:input_shape = (img_width, img_height, 3)

网络模型定义

主要注意最后的输出层定义
比如Mnist数据集是要对0~9这10种手写字符进行分类，那么网络的输出层就应该输出一个10维的向量，10维向量的每一维代表该类别的预测概率，所以此处输出层的定义为：
x = Dense(10,activation=’softmax’)(x)
此处因为是多分类问题，Dense()的第一个参数代表输出层节点数，要输出10类则此项值为10，激活函数采用softmax，如果是二分类问题第一个参数可以是1，激活函数可选sigmoid

img_input=Input(shape=input_shape)
x=Convolution2D(32, 3, 3, activation='relu', border_mode='same')(img_input)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)x=Convolution2D(32,3,3,activation='relu',border_mode='same')(x)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)x=Convolution2D(64,3,3,activation='relu',border_mode='same')(x)
x=MaxPooling2D((2,2),strides=(2, 2),border_mode='same')(x)x = Flatten(name='flatten')(x)
x = Dense(64, activation='relu')(x)
x= Dropout(0.5)(x)
x = Dense(10,activation='softmax')(x)
model=Model(img_input,x)model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy'])
model.summary()

利用ImageDataGenerator传入图像数据集
注意用ImageDataGenerator的方法.flow_from_directory()加载图片数据流时，参数class_mode要设为‘categorical’，如果是二分类问题该值可设为‘binary’,另外要设置classes参数为10种类别数字所在文件夹的名字，以列表的形式传入。

train_datagen = ImageDataGenerator(rescale=1. / 255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True)# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)train_generator = train_datagen.flow_from_directory(train_data_dir,target_size=(img_width, img_height),batch_size=batch_size,class_mode='categorical',    #多分类问题设为'categorical'classes=['0','1','2','3','4','5','6','7','8','9']  #十种数字图片所在文件夹的名字)validation_generator = test_datagen.flow_from_directory(validation_data_dir,target_size=(img_width, img_height),batch_size=batch_size,class_mode='categorical')

训练和保存模型及权值

model.fit_generator(train_generator,samples_per_epoch=nb_train_samples,nb_epoch=epochs,validation_data=validation_generator,nb_val_samples=nb_validation_samples)model.save_weights('Mnist123weight.h5')
model.save('Mnist123model.h5')

至此训练结束

图片预测

注意model.save()可以将模型以及权值一起保存，而model.save_weights()只保存了网络权值，此时如果要进行预测，必须定义有和训练出该权值所用的网络结构一模一样的一个网络。
此处利用keras.models中的load_model方法加载model.save()所保存的模型，以恢复网络结构和参数。

from keras.models import load_model
from keras.preprocessing.image import img_to_array, load_img
import numpy as np
classes=['0','1','2','3','4','5','6','7','8','9']
model=load_model('Mnist123model.h5')
while True:img_addr=input('Please input your image address:')if img_addr=="exit":breakelse:img = load_img(img_addr, False, target_size=(28, 28))x = img_to_array(img) / 255.0x = np.expand_dims(x, axis=0)result = model.predict(x)ind=np.argmax(result,1)print('this is a ', classes[ind])