内容简介: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
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;
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。
以上所述就是小编给大家介绍的《用自己的数据构建一个简单的卷积神经网络》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
基于内容图像检索技术
周明全 / 清华大学 / 2007-12 / 28.00元
《基于内容图像检索技术》从理论方法研究与实现技术角度,总结归纳了基于内容图像检索(CBIR)技术的研究与进展,并融入了作者多年来的相关研究与应用成果,系统地介绍了CBIR的主要概念、基本原理、典型方法、实用范例以及新动向。《基于内容图像检索技术》共有12章分为五部分:第一部分是概述,分析了CBIR的体系结构、技术现状和发展趋势;第一部分讨论图像特征提取,给出图像低层特征(颜色、形状、纹理、空间关系......一起来看看 《基于内容图像检索技术》 这本书的介绍吧!