利用python，tensorflow,keras实现卷积神经网

准备环境

参照以前的内容。

下载数据

来自微软Petimages700M
数据描述：2万多张猫和狗的照片

image.png

下载后解压到任意路径。

数据处理

import numpy as np
import matplotlib.pyplot as plt
import os 
import cv2
#这是我的数据路径
DATADIR = "E:/Datasets/PetImages"
CATEGPRIES = ["Dog","Cat"]

#生成规则大小的灰度图像训练数据
IMG_SIZE = 50
training_data = []
def create_training_data():
    for category in CATEGPRIES:
        path = os.path.join(DATADIR,category)
        class_num = CATEGPRIES.index(category)
        for img in os.listdir(path):
            try:
                img_array = cv2.imread(os.path.join(path,img),cv2.IMREAD_GRAYSCALE)
                #将图像的大小统一到 50*50
                new_array = cv2.resize(img_array,(IMG_SIZE,IMG_SIZE))
                training_data.append([new_array,class_num])
            except Exception as e:
                pass
            
create_training_data()
#打乱数据顺序
import random
random.shuffle(training_data)
#随机抽取10个，观察
for sample in training_data[:10]:
    print(sample[1])

X = []
y = []
#提取特征（像素值）和标签
for features, label in training_data:
    X.append(features)
    y.append(label)

X = np.array(X).reshape(-1,IMG_SIZE,IMG_SIZE,1)

#序列化，得到二进制文件
import pickle

pickle_out = open('X.pickle',"wb")
pickle.dump(X,pickle_out)
pickle_out.close()

pickle_out = open('y.pickle',"wb")
pickle.dump(y,pickle_out)
pickle_out.close()

图像数据处理结果

建立卷积神经网络模型

利用keras框架

#导入tensorflow，顺序模型，以及神经网络层
#导入序列化模块
import tensorflow as tf 
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Activation,Flatten,Conv2D,MaxPooling2D
import pickle
#反序列化
X = pickle.load(open('X.pickle','rb'))
y = pickle.load(open('y.pickle','rb'))
#归一化，像素值范围为0~255
X = X/255.0
#模型初始化
model = Sequential()
model.add(Conv2D(64,(3,3),input_shape = X.shape[1:]))#添加卷积层
model.add(Activation('relu'))#添加激活函数
model.add(MaxPooling2D(pool_size=(2,2)))#池化
#以下同理
model.add(Conv2D(64,(3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
#模型配置 ：损失函数，优化方法，评价指标
model.compile(loss = 'binary_crossentropy',
             optimizer = 'adam',
             metrics= ['accuracy'])
#训练模型
model.fit(X,y,batch_size=32,epochs=10,validation_split=0.1)

结果

可以看到，训练的结果精度达到0.9043。

高山仰止，景行行止，虽不能至，然欣然向往之