使用Keras进行图像分类

Keras深度学习框架可以用来了解深度学习可以用来做什么，下面介绍一些使用Keras来做基础的图像分类的内容，欢迎各位交流。

参考资料：https://morvanzhou.github.io/tutorials/machine-learning/keras/2-3-CNN/

我使用的版本：Python2.7，numpy1.13.1，Theano0.9.0，Keras2.0.6，h5py2.5.0，opencv2.4.13，WIN7系统。

要做图像分类，首先需要有数据集，需要将下载到的图像数据集转化为Keras可以识别的numpy矩阵。需要得到X_train，X_test，y_train，y_test，其中X_train和X_test分别是一个4维矩阵，第一维代表有几幅图像，后三维代表图像数据，y_train和y_test是一维列表，表示对应的图像属于哪一类。

可以下载到的图像数据集一般分为两种，一种是由若干文件夹组成，每个文件夹的名字是该类别的名字，每个文件夹中包含若干图像，这种数据集需要自己划分训练集和测试集；另一种由train文件夹和test文件夹组成，每个文件夹中有一些文件夹，其名字是类别的名字，其中有很多的图像，这种则固定了训练集和测试集。有时候数据集中会有文件来说明图像的名字和对应的标注，但是对于图像分类来说，不需要这些标注也可以提取出需要的numpy矩阵。

这里使用简单的网络对Caltech101数据集进行分类，这里暂时不考虑去除背景类，经过简单的改动后也可对cifar10数据集进行分类。如果需要更高的准确率，需要修改所用的网络。

提取的方法如下：（get_data和get_2data函数分别对应上面说的两种数据集。）

def eachFile(filepath):                 #将目录内的文件名放入列表中pathDir =  os.listdir(filepath)out = []for allDir in pathDir:child = allDir.decode('gbk')    # .decode('gbk')是解决中文显示乱码问题out.append(child)return outdef get_data(data_name,train_percentage=0.7,resize=True,data_format=None):   #从文件夹中获取图像数据file_name = os.path.join(pic_dir_out,data_name+str(Width)+"X"+str(Height)+".pkl")   if os.path.exists(file_name):           #判断之前是否有存到文件中(X_train, y_train), (X_test, y_test) = cPickle.load(open(file_name,"rb"))return (X_train, y_train), (X_test, y_test)  data_format = conv_utils.normalize_data_format(data_format)pic_dir_set = eachFile(pic_dir_data)  X_train = []y_train = []X_test = []y_test = []label = 0for pic_dir in pic_dir_set:print pic_dir_data+pic_dirif not os.path.isdir(os.path.join(pic_dir_data,pic_dir)):continue    pic_set = eachFile(os.path.join(pic_dir_data,pic_dir))pic_index = 0train_count = int(len(pic_set)*train_percentage)for pic_name in pic_set:if not os.path.isfile(os.path.join(pic_dir_data,pic_dir,pic_name)):continueimg = cv2.imread(os.path.join(pic_dir_data,pic_dir,pic_name))if img is None:continueimg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) if (resize):img = cv2.resize(img,(Width,Height))if (data_format == 'channels_last'):img = img.reshape(-1,Width,Height,1)elif (data_format == 'channels_first'):img = img.reshape(-1,1,Width,Height)if (pic_index < train_count):X_train.append(img)y_train.append(label)          else:X_test.append(img)y_test.append(label)pic_index += 1if len(pic_set) <> 0:        label += 1X_train = np.concatenate(X_train,axis=0)        X_test = np.concatenate(X_test,axis=0)    y_train = np.array(y_train)y_test = np.array(y_test)cPickle.dump([(X_train, y_train), (X_test, y_test)],open(file_name,"wb")) return (X_train, y_train), (X_test, y_test)   def get_2data(data_name,resize=True,data_format=None):   #当数据被分为train和test两个部分时使用file_name = os.path.join(pic_dir_out,data_name+str(Width)+"X"+str(Height)+".pkl")   if os.path.exists(file_name):           #判断之前是否有存到文件中(X_train, y_train), (X_test, y_test) = cPickle.load(open(file_name,"rb"))return (X_train, y_train), (X_test, y_test)   data_format = conv_utils.normalize_data_format(data_format)all_dir_set = eachFile(pic_dir_data)X_train = []y_train = []X_test = []y_test = []for all_dir in all_dir_set:if not os.path.isdir(os.path.join(pic_dir_data,all_dir)):continuelabel = 0pic_dir_set = eachFile(os.path.join(pic_dir_data,all_dir))for pic_dir in pic_dir_set:print pic_dir_data+pic_dirif not os.path.isdir(os.path.join(pic_dir_data,all_dir,pic_dir)):continue    pic_set = eachFile(os.path.join(pic_dir_data,all_dir,pic_dir))for pic_name in pic_set:if not os.path.isfile(os.path.join(pic_dir_data,all_dir,pic_dir,pic_name)):continueimg = cv2.imread(os.path.join(pic_dir_data,all_dir,pic_dir,pic_name))if img is None:continueimg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) if resize:img = cv2.resize(img,(Width,Height))if (data_format == 'channels_last'):img = img.reshape(-1,Width,Height,1)elif (data_format == 'channels_first'):img = img.reshape(-1,1,Width,Height)if ('train' in all_dir):X_train.append(img)y_train.append(label)          elif ('test' in all_dir):X_test.append(img)y_test.append(label)if len(pic_set) <> 0:        label += 1X_train = np.concatenate(X_train,axis=0)        X_test = np.concatenate(X_test,axis=0)    y_train = np.array(y_train)y_test = np.array(y_test)cPickle.dump([(X_train, y_train), (X_test, y_test)],open(file_name,"wb")) return (X_train, y_train), (X_test, y_test)

其中的一些参数值为

    Width = 32Height = 32num_classes = 102        pic_dir_out = 'E:/pic_cnn/pic_out/'  pic_dir_data = 'E:/pic_cnn/pic_dataset/Caltech101/'

如果每次都要遍历这些文件夹，获得numpy矩阵，还是比较慢的，通过文件存取的方式，可以将提取到的矩阵存成文件，之后运行的时候就可以较快的运行。

接下来需要对数据做预处理，先将图像数值转换到0到1之间，如果不这样做准确率会下降。np_utils.to_categorical的用途是，假设图像分为10类，得到的y_train和y_test就是0到9的数字组成的列表，需要将它做一个变换，例如其中的数字5，表示第6类，变化之后为[0, 0, 0, 0, 0, 1, 0, 0, 0, 0]，第6位取值为1。原因是之后得到的对每幅图像的预测结果，也是一个10维的列表，例如[0, 0, 0, 0.1, 0, 0.8, 0, 0.1, 0, 0]，其中的最大值如果和实际值是在同一位，说明预测准确。

    X_train = X_train/255.              #数据预处理X_test = X_test/255.print X_train.shapeprint X_test.shapey_train = np_utils.to_categorical(y_train, num_classes)y_test = np_utils.to_categorical(y_test, num_classes)

之后就可以使用Keras构建一些简单的CNN结构。

所设计的CNN结构代码如下：

    model = Sequential()                #CNN构建model.add(Convolution2D(input_shape=(Width, Height, 1),#input_shape=(1, Width, Height),filters=8,kernel_size=3,strides=1,padding='same',     data_format='channels_last',))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=2,strides=2,data_format='channels_last',))model.add(Convolution2D(16, 3, strides=1, padding='same', data_format='channels_last'))model.add(Activation('relu'))model.add(MaxPooling2D(2, 2, data_format='channels_last'))model.add(Dropout(0.5))model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(num_classes, activation='softmax'))model.compile(optimizer=Adam(),loss='categorical_crossentropy',metrics=['accuracy'])

Convolution2D层（卷积层）相当于用卷积核去扫描原图像，得到一些新的图像。其中的参数fliters表示卷积核的数量，也就是得到的新图像的数量，kernel_size是卷积核的大小，strides是每次扫描移动几个像素，padding表示是否通过在图像周围加一圈0，使得生成的卷积图像大小与原图像相同，’same’表示加一圈0，默认’valid’表示不加，data_format表示图像的通道位于3维中的前面还是后面。另外，第一个层需要注明input_shape，表示输入图像的大小。

Activation层（激励函数）是一个函数，将前面传递过来的值做一个变换，这个函数需要有导数，常用的有relu，softmax。relu是当x小于0时，y等于0，当x大于0时，y等于x。

MaxPooling2D层（池化层）将前面得到的卷积图像，用一个小方格来扫描，每个方格中只记录它的最大值，扫描结束之后会产生新的小一些的图像。pool_size表示方格的大小，strides表示每次移动的长度，如果都为2则会使图像的长和宽都除以2。

Flatten层是将图像展平成一维的列表。

Dense层（全连接层）可以使参数的数量发生变化，参数units表示该层有多少个神经元，可以改变输出结果的维度。

Dropout层表示对其相邻的两层训练参数时，会随机的丢弃一定百分比的神经元的连接，减少过拟合的现象。

softmax激励函数可以将输出的结果转化为0到1之间的浮点数，同一个列表中所有数值的和为1，可以当作是分为该类的概率。

结构设计好之后，需要通过compile函数定义一些优化参数的方式。

optimizer表示梯度下降是选用哪种优化器来优化参数，loss表示损失值的计算使用哪种方式，metrics表示对测试数据evaluate时，性能评估的方法。

然后就可以使用训练数据进行训练了。训练过程如下：

    print('\nTraining ------------')    #从文件中提取参数，训练后存在新的文件中cm = 0cm_str = '' if cm==0 else str(cm)cm2_str = '' if (cm+1)==0 else str(cm+1)  if cm >= 1:
model.load_weights(os.path.join(pic_dir_out,'cnn_model_Caltech101_'+cm_str+'.h5'))
#model.load_weights(os.path.join(pic_dir_out,'cnn_model_Cifar10_'+cm_str+'.h5'))
model.fit(X_train, y_train, epochs=10, batch_size=128,)   #正式训练数据
model.save_weights(os.path.join(pic_dir_out,'cnn_model_Caltech101_'+cm2_str+'.h5'))

epochs参数表示总共进行多少轮训练，batch_size表示每次梯度更新会用到多少组数据。这里增加了一些小的操作的用途是，每次训练完网络的参数后保存成文件，递增修改cm的值后再运行可以先读取上次训练的参数，然后再接着训练。我在运行代码的过程中发现，该程序消耗的内存会不断增加，使得epochs的值不能取一个非常大的值，所以只能多次运行才能得到收敛的结果。暂时不清楚有没有办法减小内存的消耗。

最后是对测试数据进行预测，并评估结果。这里得到模型最终的损失值和准确率，以及top-N的准确率，和每个类别的准确率。

    print('\nTesting ------------')     #对测试集进行评估，额外获得metrics中的信息loss, accuracy = model.evaluate(X_test, y_test)print('\n')print('test loss: ', loss)print('test accuracy: ', accuracy)class_name_list = get_name_list(pic_dir_data)   #获取每一类的名字列表 pred = model.predict(X_test, batch_size=128)    #获取top-N的每类的准确率N = 5pred_list = []for row in pred:pred_list.append(row.argsort()[-N:][::-1])  #获取最大的N个值的下标pred_array = np.array(pred_list)test_arg = np.argmax(y_test,axis=1)class_count = [0 for _ in xrange(num_classes)]class_acc = [0 for _ in xrange(num_classes)]for i in xrange(len(test_arg)):class_count[test_arg[i]] += 1if test_arg[i] in pred_array[i]:class_acc[test_arg[i]] += 1print('top-'+str(N)+' all acc:',str(sum(class_acc))+'/'+str(len(test_arg)),sum(class_acc)/float(len(test_arg)))for i in xrange(num_classes):print (i, class_name_list[i], 'acc: '+str(class_acc[i])+'/'+str(class_count[i]))

完整代码如下：

import cv2
import numpy as npfrom keras.utils import np_utils, conv_utils
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D, Flatten, Dropout, Dense, Activation
from keras.optimizers import Adamimport os
import cPickledef get_name_list(filepath):                #获取各个类别的名字pathDir =  os.listdir(filepath)out = []for allDir in pathDir:if os.path.isdir(os.path.join(filepath,allDir)):child = allDir.decode('gbk')    # .decode('gbk')是解决中文显示乱码问题out.append(child)return outdef eachFile(filepath):                 #将目录内的文件名放入列表中pathDir =  os.listdir(filepath)out = []for allDir in pathDir:child = allDir.decode('gbk')    # .decode('gbk')是解决中文显示乱码问题out.append(child)return outdef get_data(data_name,train_percentage=0.7,resize=True,data_format=None):   #从文件夹中获取图像数据file_name = os.path.join(pic_dir_out,data_name+str(Width)+"X"+str(Height)+".pkl")   if os.path.exists(file_name):           #判断之前是否有存到文件中(X_train, y_train), (X_test, y_test) = cPickle.load(open(file_name,"rb"))return (X_train, y_train), (X_test, y_test)  data_format = conv_utils.normalize_data_format(data_format)pic_dir_set = eachFile(pic_dir_data)  X_train = []y_train = []X_test = []y_test = []label = 0for pic_dir in pic_dir_set:print pic_dir_data+pic_dirif not os.path.isdir(os.path.join(pic_dir_data,pic_dir)):continue    pic_set = eachFile(os.path.join(pic_dir_data,pic_dir))pic_index = 0train_count = int(len(pic_set)*train_percentage)for pic_name in pic_set:if not os.path.isfile(os.path.join(pic_dir_data,pic_dir,pic_name)):continueimg = cv2.imread(os.path.join(pic_dir_data,pic_dir,pic_name))if img is None:continueimg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) if (resize):img = cv2.resize(img,(Width,Height))if (data_format == 'channels_last'):img = img.reshape(-1,Width,Height,1)elif (data_format == 'channels_first'):img = img.reshape(-1,1,Width,Height)if (pic_index < train_count):X_train.append(img)y_train.append(label)          else:X_test.append(img)y_test.append(label)pic_index += 1if len(pic_set) <> 0:        label += 1X_train = np.concatenate(X_train,axis=0)        X_test = np.concatenate(X_test,axis=0)    y_train = np.array(y_train)y_test = np.array(y_test)cPickle.dump([(X_train, y_train), (X_test, y_test)],open(file_name,"wb")) return (X_train, y_train), (X_test, y_test)   def get_2data(data_name,resize=True,data_format=None):   #当train和test数据被分为两个部分时使用file_name = os.path.join(pic_dir_out,data_name+str(Width)+"X"+str(Height)+".pkl")   if os.path.exists(file_name):           #判断之前是否有存到文件中(X_train, y_train), (X_test, y_test) = cPickle.load(open(file_name,"rb"))return (X_train, y_train), (X_test, y_test)   data_format = conv_utils.normalize_data_format(data_format)all_dir_set = eachFile(pic_dir_data)X_train = []y_train = []X_test = []y_test = []for all_dir in all_dir_set:if not os.path.isdir(os.path.join(pic_dir_data,all_dir)):continuelabel = 0pic_dir_set = eachFile(os.path.join(pic_dir_data,all_dir))for pic_dir in pic_dir_set:print pic_dir_data+pic_dirif not os.path.isdir(os.path.join(pic_dir_data,all_dir,pic_dir)):continue    pic_set = eachFile(os.path.join(pic_dir_data,all_dir,pic_dir))for pic_name in pic_set:if not os.path.isfile(os.path.join(pic_dir_data,all_dir,pic_dir,pic_name)):continueimg = cv2.imread(os.path.join(pic_dir_data,all_dir,pic_dir,pic_name))if img is None:continueimg = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) if resize:img = cv2.resize(img,(Width,Height))if (data_format == 'channels_last'):img = img.reshape(-1,Width,Height,1)elif (data_format == 'channels_first'):img = img.reshape(-1,1,Width,Height)if ('train' in all_dir):X_train.append(img)y_train.append(label)          elif ('test' in all_dir):X_test.append(img)y_test.append(label)if len(pic_set) <> 0:        label += 1X_train = np.concatenate(X_train,axis=0)        X_test = np.concatenate(X_test,axis=0)    y_train = np.array(y_train)y_test = np.array(y_test)cPickle.dump([(X_train, y_train), (X_test, y_test)],open(file_name,"wb")) return (X_train, y_train), (X_test, y_test)   def main():global Width, Height, pic_dir_out, pic_dir_dataWidth = 32Height = 32num_classes = 102                   #Caltech101为102  cifar10为10pic_dir_out = 'E:/pic_cnn/pic_out/'  pic_dir_data = 'E:/pic_cnn/pic_dataset/Caltech101/'  (X_train, y_train), (X_test, y_test) = get_data("Caltech101_gray_data_",0.7,data_format='channels_last')#pic_dir_data = 'E:/pic_cnn/pic_dataset/cifar10/'#(X_train, y_train), (X_test, y_test) = get_2data("Cifar10_gray_data_",resize=False,data_format='channels_last')X_train = X_train/255.              #数据预处理X_test = X_test/255.print X_train.shapeprint X_test.shapey_train = np_utils.to_categorical(y_train, num_classes)y_test = np_utils.to_categorical(y_test, num_classes)model = Sequential()                #CNN构建model.add(Convolution2D(input_shape=(Width, Height, 1),#input_shape=(1, Width, Height),filters=8,kernel_size=3,strides=1,padding='same',     data_format='channels_last',))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=2,strides=2,data_format='channels_last',))model.add(Convolution2D(16, 3, strides=1, padding='same', data_format='channels_last'))model.add(Activation('relu'))model.add(MaxPooling2D(2, 2, data_format='channels_last'))model.add(Dropout(0.5))model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(num_classes, activation='softmax'))model.compile(optimizer=Adam(),loss='categorical_crossentropy',metrics=['accuracy'])print('\nTraining ------------')    #从文件中提取参数，训练后存在新的文件中cm = 0                              #修改这个参数可以多次训练cm_str = '' if cm==0 else str(cm)cm2_str = '' if (cm+1)==0 else str(cm+1)  if cm >= 1:model.load_weights(os.path.join(pic_dir_out,'cnn_model_Caltech101_'+cm_str+'.h5'))#model.load_weights(os.path.join(pic_dir_out,'cnn_model_Cifar10_'+cm_str+'.h5'))    model.fit(X_train, y_train, epochs=10, batch_size=128,)   #正式训练数据model.save_weights(os.path.join(pic_dir_out,'cnn_model_Caltech101_'+cm2_str+'.h5'))print('\nTesting ------------')     #对测试集进行评估，额外获得metrics中的信息loss, accuracy = model.evaluate(X_test, y_test)print('\n')print('test loss: ', loss)print('test accuracy: ', accuracy)class_name_list = get_name_list(pic_dir_data)    #获取top-N的每类的准确率#class_name_list = get_name_list(os.path.join(pic_dir_data,'train'))pred = model.predict(X_test, batch_size=128)N = 5pred_list = []for row in pred:pred_list.append(row.argsort()[-N:][::-1])  #获取最大的N个值的下标pred_array = np.array(pred_list)test_arg = np.argmax(y_test,axis=1)class_count = [0 for _ in xrange(num_classes)]class_acc = [0 for _ in xrange(num_classes)]for i in xrange(len(test_arg)):class_count[test_arg[i]] += 1if test_arg[i] in pred_array[i]:class_acc[test_arg[i]] += 1print('top-'+str(N)+' all acc:',str(sum(class_acc))+'/'+str(len(test_arg)),sum(class_acc)/float(len(test_arg)))for i in xrange(num_classes):print (i, class_name_list[i], 'acc: '+str(class_acc[i])+'/'+str(class_count[i]))if __name__ == '__main__':main()

运行结果如下：

(6353, 32, 32, 1)
(2792, 32, 32, 1)Training ------------
Epoch 1/10
6353/6353 [==============================] - 8s - loss: 4.2459 - acc: 0.1152
Epoch 2/10
6353/6353 [==============================] - 8s - loss: 3.8954 - acc: 0.1942
Epoch 3/10
6353/6353 [==============================] - 8s - loss: 3.6121 - acc: 0.2500
Epoch 4/10
6353/6353 [==============================] - 8s - loss: 3.3974 - acc: 0.2811
Epoch 5/10
6353/6353 [==============================] - 8s - loss: 3.2033 - acc: 0.3101
Epoch 6/10
6353/6353 [==============================] - 9s - loss: 3.0413 - acc: 0.3343
Epoch 7/10
6353/6353 [==============================] - 9s - loss: 2.9090 - acc: 0.3559
Epoch 8/10
6353/6353 [==============================] - 9s - loss: 2.7931 - acc: 0.3760
Epoch 9/10
6353/6353 [==============================] - 9s - loss: 2.7039 - acc: 0.3897
Epoch 10/10
6353/6353 [==============================] - 9s - loss: 2.6152 - acc: 0.4003     Testing ------------
2720/2792 [============================>.] - ETA: 0s('test loss: ', 2.5188725370177227)
('test accuracy: ', 0.42836676217765041)
('top-5 all acc:', '1754/2792', 0.6282234957020058)
(0, u'0.accordion', 'acc: 15/17')
(1, u'1.airplanes', 'acc: 238/240')
(2, u'10.brain', 'acc: 7/30')
(3, u'100.wrench', 'acc: 5/12')
(4, u'101.yin_yang', 'acc: 15/18')
(5, u'11.brontosaurus', 'acc: 7/13')
(6, u'12.buddha', 'acc: 9/26')
(7, u'13.butterfly', 'acc: 6/28')
(8, u'14.camera', 'acc: 5/15')
(9, u'15.cannon', 'acc: 0/13')
(10, u'16.car_side', 'acc: 37/37')
(11, u'17.ceiling_fan', 'acc: 1/15')
(12, u'18.cellphone', 'acc: 16/18')
(13, u'19.chair', 'acc: 4/19')
(14, u'2.anchor', 'acc: 2/13')
(15, u'20.chandelier', 'acc: 27/33')
(16, u'21.cougar_body', 'acc: 0/15')
(17, u'22.cougar_face', 'acc: 8/21')
(18, u'23.crab', 'acc: 4/22')
(19, u'24.crayfish', 'acc: 3/21')
(20, u'25.crocodile', 'acc: 0/15')
(21, u'26.crocodile_head', 'acc: 1/16')
(22, u'27.cup', 'acc: 3/18')
(23, u'28.dalmatian', 'acc: 14/21')
(24, u'29.dollar_bill', 'acc: 14/16')
(25, u'3.ant', 'acc: 0/13')
(26, u'30.dolphin', 'acc: 5/20')
(27, u'31.dragonfly', 'acc: 12/21')
(28, u'32.electric_guitar', 'acc: 15/23')
(29, u'33.elephant', 'acc: 14/20')
(30, u'34.emu', 'acc: 0/16')
(31, u'35.euphonium', 'acc: 8/20')
(32, u'36.ewer', 'acc: 7/26')
(33, u'37.Faces', 'acc: 127/131')
(34, u'38.Faces_easy', 'acc: 127/131')
(35, u'39.ferry', 'acc: 10/21')
(36, u'4.BACKGROUND_Google', 'acc: 133/141')
(37, u'40.flamingo', 'acc: 9/21')
(38, u'41.flamingo_head', 'acc: 0/14')
(39, u'42.garfield', 'acc: 6/11')
(40, u'43.gerenuk', 'acc: 0/11')
(41, u'44.gramophone', 'acc: 4/16')
(42, u'45.grand_piano', 'acc: 24/30')
(43, u'46.hawksbill', 'acc: 17/30')
(44, u'47.headphone', 'acc: 3/13')
(45, u'48.hedgehog', 'acc: 4/17')
(46, u'49.helicopter', 'acc: 17/27')
(47, u'5.barrel', 'acc: 4/15')
(48, u'50.ibis', 'acc: 10/24')
(49, u'51.inline_skate', 'acc: 5/10')
(50, u'52.joshua_tree', 'acc: 11/20')
(51, u'53.kangaroo', 'acc: 15/26')
(52, u'54.ketch', 'acc: 26/35')
(53, u'55.lamp', 'acc: 8/19')
(54, u'56.laptop', 'acc: 12/25')
(55, u'57.Leopards', 'acc: 58/60')
(56, u'58.llama', 'acc: 9/24')
(57, u'59.lobster', 'acc: 0/13')
(58, u'6.bass', 'acc: 1/17')
(59, u'60.lotus', 'acc: 12/20')
(60, u'61.mandolin', 'acc: 2/13')
(61, u'62.mayfly', 'acc: 1/12')
(62, u'63.menorah', 'acc: 19/27')
(63, u'64.metronome', 'acc: 6/10')
(64, u'65.minaret', 'acc: 21/23')
(65, u'66.Motorbikes', 'acc: 237/240')
(66, u'67.nautilus', 'acc: 3/17')
(67, u'68.octopus', 'acc: 0/11')
(68, u'69.okapi', 'acc: 6/12')
(69, u'7.beaver', 'acc: 3/14')
(70, u'70.pagoda', 'acc: 15/15')
(71, u'71.panda', 'acc: 2/12')
(72, u'72.pigeon', 'acc: 4/14')
(73, u'73.pizza', 'acc: 4/16')
(74, u'74.platypus', 'acc: 1/11')
(75, u'75.pyramid', 'acc: 8/18')
(76, u'76.revolver', 'acc: 19/25')
(77, u'77.rhino', 'acc: 3/18')
(78, u'78.rooster', 'acc: 11/15')
(79, u'79.saxophone', 'acc: 0/12')
(80, u'8.binocular', 'acc: 6/10')
(81, u'80.schooner', 'acc: 14/19')
(82, u'81.scissors', 'acc: 4/12')
(83, u'82.scorpion', 'acc: 2/26')
(84, u'83.sea_horse', 'acc: 1/18')
(85, u'84.snoopy', 'acc: 3/11')
(86, u'85.soccer_ball', 'acc: 10/20')
(87, u'86.stapler', 'acc: 6/14')
(88, u'87.starfish', 'acc: 9/26')
(89, u'88.stegosaurus', 'acc: 4/18')
(90, u'89.stop_sign', 'acc: 9/20')
(91, u'9.bonsai', 'acc: 26/39')
(92, u'90.strawberry', 'acc: 3/11')
(93, u'91.sunflower', 'acc: 8/26')
(94, u'92.tick', 'acc: 9/15')
(95, u'93.trilobite', 'acc: 26/26')
(96, u'94.umbrella', 'acc: 13/23')
(97, u'95.watch', 'acc: 62/72')
(98, u'96.water_lilly', 'acc: 1/12')
(99, u'97.wheelchair', 'acc: 11/18')
(100, u'98.wild_cat', 'acc: 0/11')
(101, u'99.windsor_chair', 'acc: 8/17')

使用Keras进行图像分类相关推荐

python +keras实现图像分类（入门级例子讲解）
一.项目描述数据集来源于kaggle猫狗大战数据集.训练集有25000张,猫狗各占一半.测试集12500张.希望计算机可以从这些训练集图片中学习到猫狗的特征,从而使得计算机可以正确的对未曾见过的猫狗 ...
（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 . ...
Python图像处理：使用TensorFlow或Keras进行图像分类
在本节中,我们将重新讨论手写数字分类的问题(使用MNIST数据集),但这次使用的是深度神经网络,即使用两个非常流行的深度学习库TensorFlow和Keras来解决这个问题.TensorFlow(TF ...
python图像分类示例_python +keras实现图像分类（入门级例子讲解）
一.项目描述数据集来源于kaggle猫狗大战数据集.训练集有25000张,猫狗各占一半.测试集12500张.希望计算机可以从这些训练集图片中学习到猫狗的特征,从而使得计算机可以正确的对未曾见过的猫狗 ...
计算机视觉：图像分类定位(单一目标检测）python实现
前言目标检测:我们不仅要用算法判断图片中是不是猫还是狗, 还要在图片中标记出它的位置, 用边框或红色方框把猫狗圈起来, 这就是目标检测问题.其中"定位"的意思是判断猫狗在图片中的 ...
基于.NET下的人工智能系列专题|.NET下的人工智能系列专题|用Keras.NET 做一个图像识别的训练...
.NET Core 的应用场景越来越广,开源社区也不断壮大, .NET Core在机器学习领域不断发展ML.NET外,也通过结合Tensorflow.NET去完善ML.NET在深度学习领域的功能,在M ...
超干货｜使用Keras和CNN构建分类器（内含代码和讲解）
摘要: 为了让文章不那么枯燥,我构建了一个精灵图鉴数据集(Pokedex)这都是一些受欢迎的精灵图.我们在已经准备好的图像数据集上,使用Keras库训练一个卷积神经网络(CNN). 为了让文章不那么枯 ...
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 ...
PytorchKeras CIFAR10图像分类（详情介绍以及汇总所有博客）
✨Pytorch&Keras CIFAR10图像分类文章目录 ✨Pytorch&Keras CIFAR10图像分类

使用Keras进行图像分类

使用Keras进行图像分类相关推荐

最新文章

热门文章