大鹏说 ：本文约1200字，阅读需要4分钟。本文讲述了利用深度学习原理实现自动识别花卉品种的过程。成果优秀，令人惊奇，绝对是情人节选花神助手~

关键词：阿里云 Python 邮件 星座

p.s.文末有源代码分享

转眼，一年一度的情人节又到了。每个情人节我总要面临一个问题：如何给我的女盆友们买花？花店里琳琅满目的花，我又不认识，万一买错品种了，我将会永远失去她们。我决定搞一个模型来帮我完成花的识别工作。

1. 学习素材准备

为了掌握花卉的鉴别能力，我特地找了海量的花卉图片以供赏析。

一共14个品种的花：

image

每个品种共1000张艳照，共计14000张：

image
如何让机器能够准确识别这些花的品种，很简单，一遍一遍反复的学习，直到能认准为止——“一遍一遍反复学习”这一行为，我们称之为深度学习。

学习要讲究方法，比如如何区分玫瑰和菊花，很简单，玫瑰一般为红色，花朵是卷起来的,而菊花是黄灿灿的，花朵的形状…大家都懂的。这种提取特征的学习方法，我们通常称之为卷积。

2. 模型建立

先导入用于深度学习的python包，我们使用Keras框架

from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Activation,Dropout,Flatten,Dense
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator,img_to_array,load_img
from keras.models import load_model

因为Keras框架本身是基于tensorflow构建的，性能卓著，又不需要tensorflow超高难度的代码编写，封装十分彻底，用法与skitlearn类似。

在开始组织神经网络前，我们先定义一些参数，方便调试与修改。

IMG_W = 224 #定义裁剪的图片宽度
IMG_H = 224 #定义裁剪的图片高度
CLASS = 14 #图片的分类数
EPOCHS = 5 #迭代周期
BATCH_SIZE = 64 #批次大小
TRAIN_PATH = 'data/train' #训练集存放路径
TEST_PATH = 'data/test' #测试集存放路径
SAVE_PATH = 'flower_selector' #模型保存路径
LEARNING_RATE = 1e-4 #学习率
DROPOUT_RATE = 0 #抗拟合，不工作的神经网络百分比

下面是每个参数的解释:

IMG_W,IMG_H：用于模型学习的图片尺寸。
因为我们的样本图片尺寸各不相同，而模型学习需要大小统一的图片，所有这里设定其宽高。研究表明正方形的图片在模型拟合方面，效果优于长方形的图片，所以这里长宽设置相同。特别注意，图片尺寸越大，训练花费时间越久，所以千万不要设置如1920*1920分辨率大小，否则就算等到天荒地老模型也训练不完。

CLASS：图片的分类数量，
我们一共有14种花，所以，设置为14。

EPOCHS：训练周期。
模型把所有样本图片都训练一次为一周期，而需要训练成一个准确率较高的模型，一个周期显然不行。这里我们可以自由设置周期大小，我一般设置5-40个周期，循环结束保存模型，接着继续。

BATCH_SIZE：批次大小。
按理说一个周期里，我们可以把所有图片一股脑丢给机器训练，但是我们显卡的显存或者CPU的内存只有那么大，放多了容易溢出，也就是常说的爆显存，所以我们要设置个批次，把图片一批一批喂给模型训练，我这里设置为一批64张图片，如果你的显卡性能略差可以设置成32或者更小。

TRAIN_PATH：存放训练集的路径。

TEST_PATH：存放测试集的路径。

LEARNING_RATE：学习率，模型学习的速度。
并不是越快越好（数字越大），越快容易造成模型震荡，无法收敛，也就是没有训练效果。1e-4是科学计数法，为0.0001。这里学习率一般设置有几个选择1e-1,1e-2,1e-3,1e-4。通常探索阶段，设置的小一点。

DROPOUT_RATE：每次训练不工作的神经元百分比。
在模型训练中，我们通常会遇到一个问题，过拟合。也就是说在训练集上准确率很高，而测试集上准确率很低。这里设置一个DROPOUT参数，定义每一次训练，随机一定百分比的部分不参与训练，这样会起到抵抗过拟合的效果。

主要是定义训练集和测试集的图片标准。两者都有的一个参数为rescale，因为图片是RGB色彩，颜色范围从0-255，rescale，使数据归一化为0-1的范围。但是在训练集中我们还定义了旋转，平移，缩放等功能，这些操作的目的是随机变换输入的图片样式，增加样本量。注意！这一步操作仅仅只是确定了功能，并没有对任何图片进行操作，相当于先构建了一个模具。

然后，我们开始搭建神经网络：

model = Sequential() #创建一个神经网络对象

#添加一个卷积层，传入固定宽高三通道的图片，以32种不同的卷积核构建32张特征图，
# 卷积核大小为3*3，构建特征图比例和原图相同，激活函数为relu函数。
model.add(Conv2D(input_shape=(IMG_W,IMG_H,3),filters=32,kernel_size=3,padding='same',activation='relu'))
#再次构建一个卷积层
model.add(Conv2D(filters=32,kernel_size=3,padding='same',activation='relu'))
#构建一个池化层，提取特征，池化层的池化窗口为2*2，步长为2。
model.add(MaxPool2D(pool_size=2,strides=2))
#继续构建卷积层和池化层，区别是卷积核数量为64。
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
#继续构建卷积层和池化层，区别是卷积核数量为128。
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2, strides=2))

model.add(Flatten()) #数据扁平化
model.add(Dense(128,activation='relu')) #构建一个具有128个神经元的全连接层
model.add(Dense(64,activation='relu')) #构建一个具有64个神经元的全连接层
model.add(Dropout(DROPOUT_RATE)) #加入dropout，防止过拟合。
model.add(Dense(CLASS,activation='softmax')) #输出层，一共14个神经元，对应14个分类

先用Sequential()定义一个模型对象，再往里面添加神经网络层。模型结构大致为两个卷积层，一个池化层，共三组，再增加两个全连接层，最终输出为10大类。

我再把网络结构进行可视化，以便更直观地观察模型。

from keras.utils.vis_utils import plot_model
from keras.models import load_model
import matplotlib.pyplot as plt

model = load_model('flower_selector.h5')

plot_model(model,to_file="model.png",show_shapes=True,show_layer_names=True,rankdir='TB')
plt.figure(figsize=(10,10))
img = plt.imread("model.png")
plt.imshow(img)
plt.axis('off')
plt.show()

绘制的结构图如下：

image

再来讲一讲如何构建合理的网络结构。一般为1-2个卷积层，加1个池化层，共2-3组，最后增加1-2个全连接层输出，结构没有定式，但如果样本太少，建议层数不宜过多，容易过拟合。

设置好网络结构，我们设置优化器，这里使用adam优化器，使用梯度下降法优化模型，并返回准确率。

adam = Adam(lr=LEARNING_RATE) #创建Adam优化器

model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy']) #使用交叉熵代价函数，adam优化器优化模型，并提取准确率

lr：学习率，数值为脚本开头设置的数值大小。

loss：损失函数，用于衡量模型误差，模型训练的目的就是让损失函数的值尽可能小，这里我们使用交叉熵代价函数。

metrics：返回准确率。

最后，生成训练集和测试集的迭代器，用于把图片按一定批次大小传入模型训练。

train_generator = train_datagen.flow_from_directory( #设置训练集迭代器
    TRAIN_PATH, #训练集存放路径
    target_size=(IMG_W,IMG_H), #训练集图片尺寸
    batch_size=BATCH_SIZE #训练集批次
    )

test_generator = test_datagen.flow_from_directory( #设置测试集迭代器
    TEST_PATH, #测试集存放路径
    target_size=(IMG_W,IMG_H), #测试集图片尺寸
    batch_size=BATCH_SIZE, #测试集批次
    )

增加判定机制，如果文件夹下没有已训练的模型，那么从头开始训练，如果已有训练过的模型，那么在此基础上，继续训练：

try:
    model = load_model('{}.h5'.format(SAVE_PATH))  #尝试读取训练好的模型，再次训练
    print('model upload,start training!')
except:
    print('not find model,start training') #如果没有训练过的模型，则从头开始训练

构建好所有内容，使用fit_generator()拟合模型：

model.fit_generator( #模型拟合
                    train_generator,  #训练集迭代器
                    steps_per_epoch=len(train_generator), #每个周期需要迭代多少步（图片总量/批次大小=11200/64=175）
                    epochs=EPOCHS, #迭代周期
                    validation_data=test_generator, #测试集迭代器
                    validation_steps=len(test_generator) #测试集迭代多少步
                    )

传入训练集和测试集迭代器，传入周期，传入迭代的步数。

模型拟合完毕，保存模型结构，用于预测和再次训练：

model.save('{}.h5'.format(SAVE_PATH)) #保存模型
print('finish {} epochs!'.format(EPOCHS))

3.模型训练

运行脚本~

image

这里会先显示训练集和测试集的样本大小，分类数量，分类名称。如果是使用GPU训练模型，这里还会显示显卡参数。强烈建议使用GPU模式。因为根据运行后的结果，模型在训练200个周期以上后，准确率才能达到80%，一个周期平均1分钟，而使用CPU模式，则要30分钟左右，效率差距巨大。

接下来，正式开始训练，会显示批次，步数，准确率等信息，一开始准确率是很低的。只有7%，约等于1/14，完全随机：

image

训练一段时间后，准确率会上升：

image
这里我训练超过200个周期以后，准确率达到约80%。这里注意，前200个周期我设置了0.5的dropout，发现模型提升速度比较慢，建议数值可以设置小一点，甚至为0。

经过漫长的训练，我训练了约400个周期。模型最终效果如图所示：

image

训练集准确率大于90%，而测试集准确率约84%。我发现再继续训练，训练集准确率还能再提高，但测试集准确率几乎提高不了了，过拟合情况越来越严重，这时，果断停止训练。

4.结果展示

模型训练好了，那么我们采用实际的案例来测试下效果。我从花店拍了一些不同花卉的照片如下：

image

写一个简单的脚本，功能为导入训练好的模型，再把用于预测的图片转换成模型的对应格式。比如尺寸为224*224~

from keras.models import load_model
from keras.preprocessing.image import img_to_array,load_img
import numpy as np
import os
# 载入模型
model = load_model('flower_selector.h5')
label = np.array(['康乃馨','杜鹃花','桂花','桃花','梅花','洛神花','牡丹','牵牛花','玫瑰','茉莉花','荷花','菊花','蒲公英','风信子'])
def image_change(image):
    image = image.resize((224,224))
    image = img_to_array(image)
    image = image/255
    image = np.expand_dims(image,0)
    return image

然后，遍历文件夹下的图片进行预测：

for pic in os.listdir('./predict'):
    print('图片真实分类为',pic)
    image = load_img('./predict/' + pic)
    image = image_change(image)
    print('预测结果为',label[model.predict_classes(image)])
    print('----------------------------------')

结果如下：

image

预测准确率达到百分之百，鼓掌~！！！！！

经过了层层挑战，我终于完成了机器识花的工作，准备去给我的女盆友们买花了！大家也快关注“大鹏教你玩数据”后在后台回复【30】，获取源代码和学习素材学起来吧~

免费获取【1.6G AI学习资料】和其他福利，请加QQ群：837627861
转载请在公众号后台联系小编，请勿擅自转载。