100字范文 > 利用keras搭建CNN完成图片分类

利用keras搭建CNN完成图片分类

时间：2021-09-30 08:13:56

相关推荐

利用keras搭建CNN完成图片分类

文章目录

一、简介二、流程1.数据处理2.神经网络搭建3.训练4.预测三、参考

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-8from keras.preprocessing.image import img_to_array#图片转为arrayfrom keras.utils import to_categorical#相当于one-hotfrom imutils import pathsimport cv2import numpy as npimport randomimport 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-8import kerasfrom keras.layers import Conv2D, MaxPooling2D, Dropout, Dense, Flattenfrom keras.models import Sequentialimport 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-8import matplotlib.pylab as pltfrom keras.optimizers import Adamfrom keras.preprocessing.image import ImageDataGeneratorimport numpy as npimport syssys.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):pile(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-8import kerasfrom keras.preprocessing.image import img_to_arrayimport imutils.paths as pathsimport cv2import osimport numpy as npimport matplotlib.pylab as plt#import sys#sys.path.append("../process")#import data_inputchannel = 3height = 32width = 32class_num = 62norm_size = 32 # 参数batch_size = 32epochs = 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)