用自己的数据构建一个简单的卷积神经网络

人工智能 深度学习 后端
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。

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。

 

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;

 

  1. PATH = os.getcwd()   
  2. #Define data path  
  3. data_path = PATH + '/data'  
  4. data_dir_list = os.listdir(data_path)  
  5. data_dir_list 

 

输出:

  1. ['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:

 

  1. #Visualize some images  
  2. image = X_train[1441,:].reshape((128,128))  
  3. plt.imshow(image)  
  4. 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:

 

  1. #Initializing the input shape  
  2. input_shape = img_data[0].shape   
  3. #Design CNN sequential model  
  4. model = Sequential ([  
  5.  Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape),  
  6.  Convolution2D(32,3,3, activation = 'relu'),  
  7.  MaxPooling2D(pool_size = (2,2)),  
  8.  Dropout(0.5),   
  9.  Convolution2D(64,3,3, activation = 'relu'),  
  10.  MaxPooling2D(pool_size = (2,2)),  
  11.  Dropout(0.5),   
  12.  Flatten(),  
  13.  Dense(64, activation = 'relu'),  
  14.  Dropout(0.5),  
  15.  Dense(num_classes, activation = 'softmax' 
  16. ])   
  17. #Compiling the model  
  18. model.compile(  
  19.  loss = 'categorical_crossentropy',   
  20.  optimizer = 'adadelta' 
  21.  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。

 

  1. ist = model.fit (X_train, y_train,  
  2.  batch_size = 16,  
  3.  nb_epoch = num_epoch,  
  4.  verbose=1,  
  5.  validation_data = (X_test, y_test)  
  6.  ) 

 



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:

 

  1. # Predicting the test image  
  2. print((model.predict(test_image)))  
  3. 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。


 

  1. [[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02  
  2. 3.0998811e-01 1.3129448e-02]]  
  3. 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。 

 

责任编辑:庞桂玉 来源: 今日头条
相关推荐

2018-08-27 17:05:48

tensorflow神经网络图像处理

2018-04-08 11:20:43

深度学习

2024-11-11 00:00:02

卷积神经网络算法

2024-09-24 07:28:10

2024-11-05 16:19:55

2017-05-04 18:30:34

大数据卷积神经网络

2022-04-07 09:01:52

神经网络人工智能

2024-08-22 08:21:10

算法神经网络参数

2020-05-11 13:44:38

神经网络人工智能深度学习

2020-08-14 10:01:25

编程神经网络C语言

2022-06-16 10:29:33

神经网络图像分类算法

2018-03-22 13:34:59

TensorFlow神经网络

2020-11-09 06:38:00

ninja构建方式构建系统

2022-10-11 23:35:28

神经网络VGGNetAlexNet

2019-01-05 08:40:17

VGG神经网络

2021-01-18 14:38:53

神经网络人工智能神经元

2017-12-28 14:44:42

Python人工智能神经网络

2020-03-26 09:00:00

神经网络AI人工智能

2022-03-22 14:02:39

神经网络AI研究

2016-09-21 12:54:10

CAAS系统镜像
点赞
收藏

51CTO技术栈公众号