本文为 AI 研习社编译的技术博客，原标题 ：
Classifying Artwork Images Kaggle Competition
作者 | Terrance Whitehurst
翻译 |M惠M
校对 | 酱番梨 整理 | 菠萝妹
原文链接：
https://medium.com/@TerranceWhitehurst/classifying-artwork-images-kaggle-competition-8b3a98b4a341
源代码!
https://github.com/Terrance-Whitehurst/Keras-Art-Images-Classification/blob/master/Keras%20Artwork%20Classification.ipynb
概述!
在这个项目中，我将使用迁移学习和深度学习框架Keras对kaggle数据集中的不同艺术作品图像进行分类。
你将学到什么!
使用Keras库进行分类任务
使用keras进行迁移学习
数据增强
我们开始吧!
#1
首先导入所有的依赖项。
#2
加载了训练和验证集以及艺术图像的类别。
还设置了一些hyper参数，以便在培训和加载模型时使用。
#3
按类别将训练图像进行可视化。
#4
将来自不同类的一些图像进行可视化。
#5
使用for循环创建训练数据和测试数据。
#6
定义函数来加载数据集。
#7
使用keras的“ImageDataGenerator()”来增强数据。然后将训练数据与扩充相匹配。
#8
这是最终模型。它是一个两层网络，有两个密集的层和一个输出层。在我们完成模型架构之后，我们还必须在培训之前编译模型。
#9
这使用数据增强创建一个生成器。接下来调用“fit_generator()”来训练模型，并添加“history”，这样就可以可视化之后的训练。
#10
使用在“fit_generator()”之前调用的“history”来查看各个时代的损失和准确性。
#11
创建一个测试集来获得预测
#12
调用“predict()”来获得预测，然后创建一个分类报告和混淆矩阵，以查看模型做得有多好!
#13
使用“plot_model()”来获得模型架构的图像，我将在下面显示。
结论
下面是我在这个项目中使用的可视化模型
学习快乐!
想要继续查看该篇文章相关链接和参考文献？
长按链接点击打开：
https://ai.yanxishe.com/page/TextTranslation/1283
AI研习社每日更新精彩内容，观看更多精彩内容：
这5种计算机视觉技术，刷新你的世界观
迁移学习：如何将预训练CNN当成特征提取器
新手必看：深度学习是什么？它的工作原理是什么？
Python高级技巧：用一行代码减少一半内存占用
等你来译：
预训练模型及其应用
一文带你读懂线性分类器
(Python)3D人脸处理工具face3d
让你的电脑拥有“视力”，用卷积神经网络就可以！
网友评论