用自己的数据构建一个简单的卷积神经网络

在本文中，我们将构建一个卷积神经网络，将对7种类型的数千个图像进行训练，即：鲜花，汽车，猫，马，人，自行车，狗，然后能够预测是否给定的图像是猫，狗或人。

富宁网站制作公司哪家好，找创新互联建站！从网页设计、网站建设、微信开发、APP开发、响应式网站设计等网站项目制作，到程序开发，运营维护。创新互联建站成立于2013年到现在10年的时间，我们拥有了丰富的建站经验和运维经验，来保证我们的工作的顺利进行。专注于网站建设就选创新互联建站。

该CNN实现使用自己的图像数据集涵盖以下主题

加载和预处理自己的数据集
在Keras设计和训练CNN模型
绘制损失和准确度曲线
评估模型和预测测试图像的输出类
可视化CNN的中间层输出
绘制结果的混淆矩阵

加载和预处理自己的数据集：

我们将使用的数据集包括从互联网收集并标记的7个类。Python代码如下;

 
 
   
  
  PATH = os.getcwd()     
  
  #Define data path    
  
  data_path = PATH + '/data'    
  
  data_dir_list = os.listdir(data_path)    
  
  data_dir_list

输出:

 
 
   
  
  ['bike', 'cars', 'cats', 'dogs', 'flowers', 'horses', 'human']

可视化一些图像，我们可以看到图像是128x128像素,Python代码如下：

 
 
   
  
  #Visualize some images    
  
  image = X_train[1441,:].reshape((128,128))    
  
  plt.imshow(image)    
  
  plt.show()

用自己的数据构建一个简单的卷积神经网络

接下来，我们开始在Keras中设计和编译CNN模型，Python实现如下：

 
 
   
  
  #Initializing the input shape    
  
  input_shape = img_data[0].shape     
  
  #Design CNN sequential model    
  
  model = Sequential ([    
  
   Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape),    
  
   Convolution2D(32,3,3, activation = 'relu'),    
  
   MaxPooling2D(pool_size = (2,2)),    
  
   Dropout(0.5),     
  
   Convolution2D(64,3,3, activation = 'relu'),    
  
   MaxPooling2D(pool_size = (2,2)),    
  
   Dropout(0.5),     
  
   Flatten(),    
  
   Dense(64, activation = 'relu'),    
  
   Dropout(0.5),    
  
   Dense(num_classes, activation = 'softmax')    
  
  ])     
  
  #Compiling the model    
  
  model.compile(    
  
   loss = 'categorical_crossentropy',     
  
   optimizer = 'adadelta',    
  
   metrics = ['accuracy'])

在拟合模型之后，我们可以在整个迭代过程中可视化训练和验证。

 
 
   
  
  ist = model.fit (X_train, y_train,    
  
   batch_size = 16,    
  
   nb_epoch = num_epoch,    
  
   verbose=1,    
  
   validation_data = (X_test, y_test)    
  
   )

我们现在可以使用我们的模型使用以下代码预测新图像的新类：

 
 
   
  
  # Predicting the test image    
  
  print((model.predict(test_image)))    
  
  print('Image class:', model.predict_classes(test_image))

正如我们在下面看到的，我们的模型正确地将图像分类为class [0] - bike。

 
 
   
  
  [[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02    
  
  3.0998811e-01 1.3129448e-02]]    
  
  Image class: [0]

这是一个混淆矩阵，没有归一化

我们现在可以保存模型和权重，以便在实际应用程序中实现。

当前标题：用自己的数据构建一个简单的卷积神经网络
网站地址：http://www.shufengxianlan.com/qtweb/news31/92131.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源：创新互联

猜你还喜欢下面的内容