使用keras来简单的进行图片识别分类
接触深度学习3个月以来，从当初的小白零基础学习，过程十分艰苦，看了几章大牛 yoshuabengio 写的deep learning一书，粗略了解了基本常用的神经网络以及梯度更新策略，参数优化，也了解以及简单的使用常用的深度学习开发框架caffe，tensorflow，theano，sklearn机器学习库，目前keras比较火，所以使用keras来简单的进行图片识别分类。
数据集准备：
看caffe博客的时候看到的数据集，然后就下载使用，数据集可以在最后下载。
数据集一共有5类图片，一共500张，每类图片100张，训练集400张，每类80张，测试集100张，每类20张
第一步：
数据集进行处理：
使用opencv对图片进行处理，缩放图片大小为128×128大小，通道为单通道灰度图像
#coding:utf8
import os
import cv2.cv as cv
import cv2
# 遍历指定目录，显示目录下的所有文件名
width_scale = 192 #缩放尺寸宽度
height_scale = 128#缩放尺寸高度
write_path = /home/zhanghao/data/classification/test_scale/#要写入的图片路径
#遍历每一张图片进行处理
def eachfile(filepath):
pathdir = os.listdir(filepath)
for alldir in pathdir:
child = os.path.join('%s%s' % (filepath,alldir))
write_child = os.path.join('%s%s' % (write_path,alldir))
image = cv.loadimage(child,0)
des_image = cv.createimage((width_scale,height_scale),image.depth,1)
cv.resize(image,des_image,cv2.inter_area)
# cv.showimage('afe',des_image)
cv.saveimage(write_child,des_image)
# break
if __name__ == '__main__':
filepathc = /home/zhanghao/data/classification/test/
eachfile(filepathc)
第二步
把图片集制作成keras识别的数据集
#制作数据集
def data_label(path,count):
data = np.empty((count,1,128,192),dtype = 'float32')#建立空的四维张量类型32位浮点
label = np.empty((count,),dtype = 'uint8')
i = 0
pathdir = os.listdir(path)
for each_image in pathdir:
all_path = os.path.join('%s%s' % (path,each_image))#路径进行连接
image = cv2.imread(all_path,0)
mul_num = re.findall(rd,all_path)#寻找字符串中的数字，由于图像命名为300.jpg 标签设置为0
num = int(mul_num[0])-3
# print num,each_image
# cv2.imshow(fad,image)
# print child
array = np.asarray(image,dtype='float32')
data[i,:,:,:] = array
label[i] = int(num)
i += 1
return data,label
第三步
构建卷积神经网络进行训练和测试
#构建卷积神经网络
def cnn_model(train_data,train_label,test_data,test_label):
model = sequential()
model.add(convolution2d(
nb_filter = 12,
nb_row = 3,
nb_col = 3,
border_mode = 'valid',
dim_ordering = 'th',
input_shape = (1,128,192)))
model.add(activation('relu'))#激活函数使用修正线性单元
model.add(maxpooling2d(
pool_size = (2,2),
strides = (2,2),
border_mode = 'valid'))
model.add(convolution2d(
24,
3,
3,
border_mode = 'valid',
dim_ordering = 'th'))
model.add(activation('relu'))
#池化层 24×29×29
model.add(maxpooling2d(
pool_size = (2,2),
strides = (2,2),
border_mode = 'valid'))
model.add(convolution2d(
48,
3,
3,
border_mode = 'valid',
dim_ordering = 'th'))
model.add(activation('relu'))
model.add(maxpooling2d(
pool_size = (2,2),
strides =(2,2),
border_mode = 'valid'))
model.add(flatten())
model.add(dense(20))
model.add(activation(leakyrelu(0.3)))
model.add(dropout(0.5))
model.add(dense(20))
model.add(activation(leakyrelu(0.3)))
model.add(dropout(0.4))
model.add(dense(5,init = 'normal'))
model.add(activation('softmax'))
adam = adam(lr = 0.001)
model.compile(optimizer = adam,
loss = 'categorical_crossentropy',
metrics = ['accuracy'])
print '----------------training-----------------------'
model.fit(train_data,train_label,batch_size = 12,nb_epoch = 35,shuffle = true,show_accuracy = true,validation_split = 0.1)
print '----------------testing------------------------'
loss,accuracy = model.evaluate(test_data,test_label)
print ' test loss:',loss
print ' test accuracy',accuracy
第四步
调用上述函数进行训练预测
train_path = '/home/zhanghao/data/classification/train_scale/'
test_path = '/home/zhanghao/data/classification/test_scale/'
train_count = getnum(train_path)
test_count = getnum(test_path)
train_data,train_label = data_label(train_path,train_count)
test_data,test_label = data_label(test_path,test_count)
train_label = np_utils.to_categorical(train_label,nb_classes = 5)
test_label = np_utils.to_categorical(test_label,nb_classes = 5)
cnn_model(train_data,train_label,test_data,test_label)
用到的头文件
import re
import cv2
import os
import numpy as np
import cv2.cv as cv
from keras.models import sequential
from keras.layers.core import dense,activation,flatten
from keras.layers.convolutional import convolution2d,maxpooling2d
from keras.optimizers import adam
from keras.layers.advanced_activations import leakyrelu
from keras.utils import np_utils
cpu运行，迭代50次，预测准确率达到92%，还算可以的准确率
具体实现代码：https://github.com/zhanghao-jnu/keras-training
路漫漫其修远兮，吾将上下而求索
罗德与施瓦茨的产品组合让AESA测试更精确
疫情冲击减弱 宁德时代重回榜首易
国星光电“黑科技”助力TCL赢得国际大奖
区块链的商业应用如何才能快速发展和落地
自动驾驶企业斯年智驾完成数亿元融资
使用keras来简单的进行图片识别分类
关于三星在电动汽车上的分析和介绍发展
苹果年度营收15年来首次下滑
苹果开卖内存 但价格有点高
olcd屏幕和lcd屏幕区别是什么
OMO时代的来临的4要素详细分析和举例
致真精密仪器获评青岛市雏鹰企业
一名天线工程师的人生经验
智能魔镜显示屏带你体验智能生活的新玩法
三星预投120亿元，于明年开启QD-OLED试生产线
捏碎联发科高端梦的最后一根稻草，10nm芯片到底啥时才能现身
长虹人工智能电视：科技一小步 发展一大步
苹果狠抓信息安全 苹果去年已经抓住29名“内鬼”
embOS实时操作系统可应用于数十亿台设备中
青海省首次启用无人机参与高速公路交通管理
数据集准备：
看caffe博客的时候看到的数据集，然后就下载使用，数据集可以在最后下载。
数据集一共有5类图片，一共500张，每类图片100张，训练集400张，每类80张，测试集100张，每类20张
第一步：
数据集进行处理：
使用opencv对图片进行处理，缩放图片大小为128×128大小，通道为单通道灰度图像
#coding:utf8
import os
import cv2.cv as cv
import cv2
# 遍历指定目录，显示目录下的所有文件名
width_scale = 192 #缩放尺寸宽度
height_scale = 128#缩放尺寸高度
write_path = /home/zhanghao/data/classification/test_scale/#要写入的图片路径
#遍历每一张图片进行处理
def eachfile(filepath):
pathdir = os.listdir(filepath)
for alldir in pathdir:
child = os.path.join('%s%s' % (filepath,alldir))
write_child = os.path.join('%s%s' % (write_path,alldir))
image = cv.loadimage(child,0)
des_image = cv.createimage((width_scale,height_scale),image.depth,1)
cv.resize(image,des_image,cv2.inter_area)
# cv.showimage('afe',des_image)
cv.saveimage(write_child,des_image)
# break
if __name__ == '__main__':
filepathc = /home/zhanghao/data/classification/test/
eachfile(filepathc)
第二步
把图片集制作成keras识别的数据集
#制作数据集
def data_label(path,count):
data = np.empty((count,1,128,192),dtype = 'float32')#建立空的四维张量类型32位浮点
label = np.empty((count,),dtype = 'uint8')
i = 0
pathdir = os.listdir(path)
for each_image in pathdir:
all_path = os.path.join('%s%s' % (path,each_image))#路径进行连接
image = cv2.imread(all_path,0)
mul_num = re.findall(rd,all_path)#寻找字符串中的数字，由于图像命名为300.jpg 标签设置为0
num = int(mul_num[0])-3
# print num,each_image
# cv2.imshow(fad,image)
# print child
array = np.asarray(image,dtype='float32')
data[i,:,:,:] = array
label[i] = int(num)
i += 1
return data,label
第三步
构建卷积神经网络进行训练和测试
#构建卷积神经网络
def cnn_model(train_data,train_label,test_data,test_label):
model = sequential()
model.add(convolution2d(
nb_filter = 12,
nb_row = 3,
nb_col = 3,
border_mode = 'valid',
dim_ordering = 'th',
input_shape = (1,128,192)))
model.add(activation('relu'))#激活函数使用修正线性单元
model.add(maxpooling2d(
pool_size = (2,2),
strides = (2,2),
border_mode = 'valid'))
model.add(convolution2d(
24,
3,
3,
border_mode = 'valid',
dim_ordering = 'th'))
model.add(activation('relu'))
#池化层 24×29×29
model.add(maxpooling2d(
pool_size = (2,2),
strides = (2,2),
border_mode = 'valid'))
model.add(convolution2d(
48,
3,
3,
border_mode = 'valid',
dim_ordering = 'th'))
model.add(activation('relu'))
model.add(maxpooling2d(
pool_size = (2,2),
strides =(2,2),
border_mode = 'valid'))
model.add(flatten())
model.add(dense(20))
model.add(activation(leakyrelu(0.3)))
model.add(dropout(0.5))
model.add(dense(20))
model.add(activation(leakyrelu(0.3)))
model.add(dropout(0.4))
model.add(dense(5,init = 'normal'))
model.add(activation('softmax'))
adam = adam(lr = 0.001)
model.compile(optimizer = adam,
loss = 'categorical_crossentropy',
metrics = ['accuracy'])
print '----------------training-----------------------'
model.fit(train_data,train_label,batch_size = 12,nb_epoch = 35,shuffle = true,show_accuracy = true,validation_split = 0.1)
print '----------------testing------------------------'
loss,accuracy = model.evaluate(test_data,test_label)
print ' test loss:',loss
print ' test accuracy',accuracy
第四步
调用上述函数进行训练预测
train_path = '/home/zhanghao/data/classification/train_scale/'
test_path = '/home/zhanghao/data/classification/test_scale/'
train_count = getnum(train_path)
test_count = getnum(test_path)
train_data,train_label = data_label(train_path,train_count)
test_data,test_label = data_label(test_path,test_count)
train_label = np_utils.to_categorical(train_label,nb_classes = 5)
test_label = np_utils.to_categorical(test_label,nb_classes = 5)
cnn_model(train_data,train_label,test_data,test_label)
用到的头文件
import re
import cv2
import os
import numpy as np
import cv2.cv as cv
from keras.models import sequential
from keras.layers.core import dense,activation,flatten
from keras.layers.convolutional import convolution2d,maxpooling2d
from keras.optimizers import adam
from keras.layers.advanced_activations import leakyrelu
from keras.utils import np_utils
cpu运行，迭代50次，预测准确率达到92%，还算可以的准确率
具体实现代码：https://github.com/zhanghao-jnu/keras-training
路漫漫其修远兮，吾将上下而求索
罗德与施瓦茨的产品组合让AESA测试更精确
疫情冲击减弱 宁德时代重回榜首易
国星光电“黑科技”助力TCL赢得国际大奖
区块链的商业应用如何才能快速发展和落地
自动驾驶企业斯年智驾完成数亿元融资
使用keras来简单的进行图片识别分类
关于三星在电动汽车上的分析和介绍发展
苹果年度营收15年来首次下滑
苹果开卖内存 但价格有点高
olcd屏幕和lcd屏幕区别是什么
OMO时代的来临的4要素详细分析和举例
致真精密仪器获评青岛市雏鹰企业
一名天线工程师的人生经验
智能魔镜显示屏带你体验智能生活的新玩法
三星预投120亿元，于明年开启QD-OLED试生产线
捏碎联发科高端梦的最后一根稻草，10nm芯片到底啥时才能现身
长虹人工智能电视：科技一小步 发展一大步
苹果狠抓信息安全 苹果去年已经抓住29名“内鬼”
embOS实时操作系统可应用于数十亿台设备中
青海省首次启用无人机参与高速公路交通管理