建设电商网站的技术可行性,专门做外贸网站,宁波企业名称查询网站,网络技术有限公司是什么摘要#xff1a; 为了让文章不那么枯燥#xff0c;我构建了一个精灵图鉴数据集#xff08;Pokedex#xff09;这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上#xff0c;使用Keras库训练一个卷积神经网络#xff08;CNN#xff09;。为了让文章不那么枯燥 为了让文章不那么枯燥我构建了一个精灵图鉴数据集Pokedex这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上使用Keras库训练一个卷积神经网络CNN。
为了让文章不那么枯燥我构建了一个精灵图鉴数据集Pokedex这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上使用Keras库训练一个卷积神经网络CNN。深度学习数据集上图是来自我们的精灵图鉴深度学习数据集中的合成图样本。我的目标是使用Keras库和深度学习训练一个CNN对Pokedex数据集中的图像进行识别和分类。Pokedex数据集包括Bulbasaur (234 images)Charmander (238 images)Squirtle (223 images)Pikachu (234 images)Mewtwo (239 images)训练图像包括以下组合电视或电影的静态帧交易卡行动人物玩具和小玩意儿图纸和粉丝的艺术效果图。在这种多样化的训练图像的情况下实验结果证明CNN模型的分类准确度高达97CNN和Keras库的项目结构该项目分为几个部分目录结构如下如上图所示共分为3个目录1.数据集包含五个类每个类都是一个子目录。2.示例包含用于测试卷积神经网络的图像。3.pyimagesearch模块包含我们的SmallerVGGNet模型类。另外根目录下有5个文件1.plot.png训练脚本运行后生成的训练/测试准确性和损耗图。2.lb.pickleLabelBinarizer序列化文件在类名称查找机制中包含类索引。3.pokedex.model序列化Keras CNN模型文件即“权重文件”。4.train.py训练Keras CNN绘制准确性/损耗函数然后将卷积神经网络和类标签二进制文件序列化到磁盘。5.classify.py测试脚本。Keras和CNN架构我们今天使用的CNN架构是由Simonyan和Zisserman在2014年的论文“用于大规模图像识别的强深度卷积网络”中介绍的VGGNet网络的简单版本结构图如上图所示。该网络架构的特点是1.只使用3*3的卷积层堆叠在一起来增加深度。2.使用最大池化来减小数组大小。3.网络末端全连接层在softmax分类器之前。假设你已经在系统上安装并配置了Keras。如果没有请参照以下连接了解开发环境的配置教程1.配置Ubuntu使用Python进行深度学习。2.设置Ubuntu 16.04 CUDA GPU使用Python进行深度学习。3.配置macOS使用Python进行深度学习。继续使用SmallerVGGNet——VGGNet的更小版本。在pyimagesearch模块中创建一个名为smallervggnet.py的新文件并插入以下代码注意在pyimagesearch中创建一个_init_.py文件以便Python知道该目录是一个模块。如果你对_init_.py文件不熟悉或者不知道如何使用它来创建模块你只需在原文的“下载”部分下载目录结构、源代码、数据集和示例图像。现在定义SmallerVGGNet类该构建方法需要四个参数1.width图像宽度。2.height 图像高度。3.depth 图像深度。4.classes 数据集中类的数量这将影响模型的最后一层我们使用了5个Pokemon 类。注意我们使用的是深度为3、大小为96 * 96的输入图像。后边解释输入数组通过网络的空间维度时请记住这一点。由于我们使用的是TensorFlow后台因此用“channels last”对输入数据进行排序如果想用“channels last”则可以用代码中的23-25行进行处理。为模型添加层下图为第一个CONV RELU POOL代码块卷积层有32个内核大小为3*3的滤波器使用RELU激活函数然后进行批量标准化。池化层使用3 *3的池化将空间维度从96 *96快速降低到32 * 32输入图像的大小为96 * 96 * 3的来训练网络。如代码所示在网络架构中使用Dropout。Dropout随机将节点从当前层断开并连接到下一层。这个随机断开的过程有助于降低模型中的冗余——网络层中没有任何单个节点负责预测某个类、对象、边或角。在使用另外一个池化层前添加CONV RELU* 2层在降低输入数组的空间维度前将多个卷积层RELU层堆叠在一起可以学习更丰富的特征集。请注意将滤波器大小从32增加到64。随着网络的深入输入数组的空间维度越小滤波器学习到的内容更多将最大池化层从3*3降低到2*2以确保不会过快地降低空间维度。在这个过程中再次执行Dropout。再添加一个(CONV RELU)* 2 POOL代码块我们已经将滤波器的大小增加到128。对25的节点执行Droupout以减少过拟合。最后还有一组FC RELU层和一个softmax分类器Dense1024使用具有校正的线性单位激活和批量归一化指定全连接层。最后再执行一次Droupout——在训练期间我们Droupout了50的节点。通常情况下你会在全连接层在较低速率下使用40-50的Droupout其他网络层为10-25的Droupout。用softmax分类器对模型进行四舍五入该分类器将返回每个类别标签的预测概率值。CNN Keras训练脚本的实现既然VGGNet小版本已经实现现在我们使用Keras来训练卷积神经网络。创建一个名为train.py的新文件并插入以下代码导入需要的软件包和库使用”Agg” matplotlib后台以便可以将数字保存在背景中第3行。ImageDataGenerator类用于数据增强这是一种对数据集中的图像进行随机变换旋转、剪切等以生成其他训练数据的技术。数据增强有助于防止过拟合。第7行导入了Adam优化器用于训练网络。第9行的LabelBinarizer是一个重要的类其作用如下1.输入一组类标签的集合即表示数据集中人类可读的类标签字符串。2.将类标签转换为独热编码矢量。3.允许从Keras CNN中进行整型类别标签预测并转换为人类可读标签。经常会有读者问如何将类标签字符串转换为整型或者如何将整型转换为类标签字符串。答案就是使用LabelBinarizer类。第10行的train_test_split函数用来创建训练和测试分叉。读者对我自己的imutils包较为了解。如果你没有安装或更新可以通过以下方式进行安装如果你使用的是Python虚拟环境确保在安装或升级imutils之前用workon命令访问特定的虚拟环境。我们来解析一下命令行参数对于我们的训练脚本有三个必须的参数1.--dataset输入数据集的路径。数据集放在一个目录中其子目录代表每个类每个子目录约有250个精灵图片。2.--model输出模型的路径将训练模型输出到磁盘。3.--labelbin输出标签二进制器的路径。还有一个可选参数--plot。如果不指定路径或文件名那么plot.png文件则在当前工作目录中。不需要修改第22-31行来提供新的文件路径代码在运行时会自行处理。现在初始化一些重要的变量第35-38行对训练Keras CNN时使用的重要变量进行初始化1.-EPOCHS训练网络的次数。2.-INIT-LR初始学习速率值1e-3是Adam优化器的默认值用来优化网络。3.-BS将成批的图像传送到网络中进行训练同一时期会有多个批次BS值控制批次的大小。4.-IMAGE-DIMS提供输入图像的空间维度数。输入的图像为96*96*3即RGB。然后初始化两个列表——data和labels分别保存预处理后的图像和标签。第46-48行抓取所有的图像路径并随机扰乱。现在对所有的图像路径ImagePaths进行循环首先对imagePaths进行循环第51行再对图像进行加载第53行然后调整其大小以适应模型第54行。现在更新data和labels列表。调用Keras库的img_to_arry函数将图像转换为与Keras库兼容的数组第55行然后将图像添加到名为data的列表中(第56行)。对于labels列表我们在第60行文件路径中提取出label并将其添加在第61行。那么为什么需要类标签分解过程呢考虑到这样一个事实我们有目的地创建dataset目录结构格式如下第60行的路径分隔符可以将路径分割成一个数组然后获取列表中的倒数第二项——类标签。然后进行额外的预处理、二值化标签和数据分区代码如下 首先将data数组转换为NumPy数组然后将像素强度缩放到[0,1]范围内第64行也要将列表中的labels转换为NumPy数组第65行。打印data矩阵的大小以MB为单位。然后使用scikit-learn库的LabelBinarzer对标签进行二进制化(第70和71行)。对于深度学习或者任何机器学习通常的做法是将训练和测试分开。第75和76行将训练集和测试集按照80/20的比例进行分割。接下来创建图像数据增强对象因为训练数据有限每个类别的图像数量小于250因此可以利用数据增强为模型提供更多的图像基于现有图像数据增强是一种很重要的工具。第79到81行使用ImageDataGenerator对变量aug进行初始化即ImageDataGenerator。 现在我们开始编译模型和训练第85行和第86行使用96963的输入图像初始化Keras CNN模型。注意我将SmallerVGGNet设计为接受96963输入图像。第87行使用具有学习速率衰减的Adam优化器然后在88行和89行使用分类交叉熵编译模型。若只有2个类别则使用二元交叉熵作为损失函数。93-97行调用Keras的fit_generator方法训练网络。这一过程需要花费点时间这取决于你是用CPU还是GPU进行训练。一旦Keras CNN训练完成我们需要保存模型1和标签二进制化器2因为在训练或测试集以外的图像上进行测试时需要从磁盘中加载出来对模型101行和标签二进制器105-107行进行序列化以便稍后在classify.py脚本中使用。最后绘制训练和损失的准确性图并保存到磁盘第121行而不是显示出来原因有二1我的服务器在云端;2确保不会忘记保存图。使用Keras训练CNN执行以下代码训练模型训练脚本的输出结果如上图所示Keras CNN模型在训练集上的分类准确率为96.84在测试集上的准确率为97.07训练损失函数和准确性图如下如上图所示对模型训练100次并在有限的过拟合下实现了低损耗。在新的数据上也能获得更高的准确性。创建CNN和Keras的脚本现在CNN已经训练过了我们需要编写一个脚本对新图像进行分类。新建一个文件并命名为classify.py插入以下代码上图中第2-9行导入必要的库。我们来解析下代码中的参数12-19行需要的三个参数如下1.--model已训练模型的路径。2.--labelbin标签二进制器的路径。3.--image输入图像的路径。接下来加载图像并对其进行预处理第22行加载输入图像image并复制一个副本赋值给out第23行。和训练过程使用的预处理方式一样我们对图像进行预处理26-29行。加载模型和标签二值化器34和35行对图像进行分类随后对图像进行分类并创建标签39-41行。剩余的代码用于显示第46-47行从filename中提取精灵图鉴的名字并与label进行比较。Correct变量是“正确correct”或“不正确incorrect”。然后执行以下操作1.50行将概率值和“正确不正确”文本添加到类别标签label上。2.51行调整输出图像大小使其适合屏幕输出。3.52和53行在输出图像上绘制标签。4.57和58行显示输出图像并等待按键退出。用KNN和Keras对图像分类运行classify.py脚本确保已经从原文“下载”部分获取代码和图片下载并解压缩文件到这个项目的根目录下然后从Charmander图像开始。代码及试验结果如下Bulbasaur图像分类的代码及结果如下所示其他图像的分类代码和以上两个图像的代码一样可自行验证其结果。模型的局限性该模型的主要局限是训练数据少。我在各种不同的图像进行测试发现有时分类不正确。我仔细地检查了输入图像和神经网络发现图像中的主要颜色会影响分类结果。例如如果图像中有许多红色和橙色则可能会返回“Charmander”标签图像中的黄色通常会返回“Pikachu”标签。这归因于输入数据精灵图鉴是虚构的它没有“真实世界”中的真实图像。并且我们只为每个类别提供了比较有限的数据约225-250张图片。理想情况下训练卷积神经网络时每个类别至少应有500-1,000幅图像。可以将Keras深度学习模型作为REST API吗如果想将此模型或任何其他深度学习模型用作REST API运行可以参照下面的博文内容1.构建一个简单的Keras 深度学习REST API2.可扩展的Keras 深度学习REST API3.使用KerasRedisFlask和Apache进行深度学习总结这篇文章主要介绍了如何使用Keras库来训练卷积神经网络CNN。使用的是自己创建的数据集精灵图鉴作为训练集和测试集其分类的准确度达到97.07。原文链接干货好文请关注扫描以下二维码
