首页 > 其他分享> 文章详细

一个好玩的deep learning Demo！

2022-08-30 23:32:42 阅读：213 来源： 互联网

标签：plt keras Demo deep train learning tf validation dir

对于生活中的熟悉的动物，我们人脑经过一次扫描，便可以得到该动物的物种！那么机器是如何识别这个图片上的动物是属于哪一物种呢？

本次实验借生活中最常见的猫和狗来探究其原理！

环境准备：

tensorflow ，python，一些data

实验预期：

　　当模型训练完成后，我们可以用该模型去预测一张图片属于哪一个类别，很显然，本次项目属于一个二分类问题，

　　网上有很多此类的项目，但是都不能很好的落地，那么这次实验所完成的最终结果是，我们上传一张图片，控制台

　　便会返回该图片的类别：猫/狗

模型搭建：

　　对于图片识别来说，最强大的工具莫过于卷积神经网络，对于CNN的原理也不是很难，只要知道其主要的计算过程即可，

　　熟悉CNN的人都知道，并不是层数越多越好，因为层数过多，会造正过拟合，导致实验结果不会很理想，所以经过我多次的实验，

　　最终模型的设置如下：

model = tf.keras.models.Sequential([

    tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Flatten(),

    tf.keras.layers.Dense(512, activation='relu'),

    tf.keras.layers.Dense(1, activation='sigmoid')
])

　　每一层卷积跟一层最大池化，Conv2D()中参数：16表示卷积核个数，（3，3）表示卷积核大小，很多论文中给出的代码中设定的也是（3，3），input_shape表示输入数据形状，后面是通道数；

　　经过最大池化留下来的神经元对输出才会有贡献!环节卷积层对位置的敏感性！

然后再模型之前，我们也需要对数据进行一些操作：读取数据，将数据分为验证数据集和训练数据集

base_dir = 'D:/cats and dogs'

train_dir = os.path.join(base_dir, 'train')
validation_dir = os.path.join(base_dir, 'validation')


train_cats_dir = os.path.join(train_dir, 'cats')
train_dogs_dir = os.path.join(train_dir, 'dogs')


validation_cats_dir = os.path.join(validation_dir, 'cats')
validation_dogs_dir = os.path.join(validation_dir, 'dogs')

接下来的操作就是一些固定的步骤，对数据进行归一化，生成带标签的数据，绘制损失曲线等，直接上代码：

train_datagen = ImageDataGenerator(rescale=1.0 / 255.)
test_datagen = ImageDataGenerator(rescale=1.0 / 255.)


train_generator = train_datagen.flow_from_directory(train_dir,
                                                    batch_size=20,
                                                    class_mode='binary',
                                                    target_size=(150, 150))

validation_generator = test_datagen.flow_from_directory(validation_dir,
                                                        batch_size=20,
                                                        class_mode='binary',
                                                        target_size=(150, 150))


history = model.fit_generator(train_generator,
                              validation_data=validation_generator,
                              steps_per_epoch=100,
                              epochs=15,
                              validation_steps=50,
                              verbose=2)

model.save('model.h5')



acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(len(acc))


plt.plot(epochs, acc)
plt.plot(epochs, val_acc)
plt.title('Training and validation accuracy')
plt.legend(('Training accuracy', 'validation accuracy'))
plt.figure()


plt.plot(epochs, loss)
plt.plot(epochs, val_loss)
plt.legend(('Training loss', 'validation loss'))
plt.title('Training and validation loss')
plt.show()

预测部分

from tensorflow.keras.models import load_model
import numpy as np
from tensorflow.keras.preprocessing import image

path = 'D:/cats and dogs/cat.123.jpg'
model = load_model('model.h5')
img = image.load_img(path, target_size=(150, 150))
x = image.img_to_array(img) / 255.0

x = np.expand_dims(x, axis=0)
# np.vstack:按垂直方向（行顺序）堆叠数组构成一个新的数组
images = np.vstack([x])

classes = model.predict(images, batch_size=1)

if classes[0] > 0.5:
    print("图片识别为狗")
else:
    print("图片识别为猫")

结果说明还可以！！！！！！！

标签：plt,keras,Demo,deep,train,learning,tf,validation,dir
来源： https://www.cnblogs.com/99kol/p/16641336.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

一个好玩的deep learning Demo！