用自己的数据构建一个简单的卷积神经网络

作者: 不靠谱的猫 2018-09-17 15:12:25

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。 

人工智能 神经网络 编程语言
上一篇:马云:技术如果不能让我们的生活更健康 则毫无意义 下一篇:人工智能只会让人失业吗?麦肯锡的调查分析给出了不一样的答案!
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

AI如何改变人类社会的各种业务模式?

在过去的20年中,一些愤世嫉俗的人一直担心,人工智能(AI)的发展会破坏企业结构,导致大量失业和财富不平等加剧。下一个十年将是AI的十年。我们期望看到什么变化?答案是基本流程的转变和减少。

CDA数据分析师 ·  17h前
新冠疫情动态:十大创新,助力对抗COVID-19

从感染快速检测到3D打印解决方案,全球各地的科技企业正携手奋进,希望找到足以战胜新冠病毒大流行的突破性方法。目前有哪些创新成果值得关注?本文将带大家一探究竟。

佚名 ·  18h前
全球首个翻译引擎进化归来 “细节狂魔”搞定方言

最近,一款在线机器翻译软件在日本大火。这款翻译软件名叫DeepL,大火的原因正是因为它工作太负责了,翻译得太过准确,在日本引起了热议。

刘俊寰 ·  21h前
应用程序管理中的AI/ML用例

基于人工智能的操作 (AIOps) 是人工智能和传统 AM/IM 操作的融合。与所有其他领域一样,AI 将对运营管理产生重大影响。

佚名 ·  22h前
学不动了?麻省理工 CS 和 EE 网课开放了

疫情之下,麻省理工学院校长在 3 月上旬曾发通知,其中提到把本剩余课程全部转移到网上。

佚名 ·  1天前
科学家研发出“读心术”,直接将脑电波翻译成文本,错误率低至3%

美国加州大学旧金山分校的科学家,已经训练出一种算法,可以直接将受试者的脑电波实时翻译成句子,错误率仅为 3% 。

张路 ·  1天前
5G风头正盛 人工智能要被“冷落”了?

2018年,5G的热度开始迅速提升。当年开始,我国展开了5G基站建设,并在全国十多个城市开始进行5G测试和试运营。到了2019年,随着各国纷纷宣布开启5G商用,5G的热度再次攀升,成为了通信、科技领域当之无愧的“热点王”。相比之下,人工智能似乎都要稍逊一筹。

佚名 ·  1天前
破解机器学习的误区——常见机器学习神话究竟从何而来?

Forrester Research最近发布了一份名为“ 粉碎机器学习的七个神话”的报告。在其中,作者警告说:“不幸的是,一些对机器学习项目做出重要决策的企业领导者,普遍存在机器学习的误解。”

CDA数据分析师 ·  1天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载