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

厨师与AI完美搭配,一起刺激你的味蕾

最近,索尼人工智能团队和韩国高丽大学联合开发了一种名为FlavorGraph的人工智能映射工具,该工具可以推荐互补的配料,帮助厨师们烹饪菜肴。

科技行者 ·  1天前
违规企业可面临营业额6%罚款 欧盟欲加强对人工智能技术监管

据外媒报道,欧盟委员会近日修订文件显示,如有企业违反欧盟规则使用被禁止的人工智能应用,可能会面临最多相当于其全球营业额6%的罚款,这一数字高于此前提议的4%。

贾桂鹏 ·  1天前
外卖小哥要失业了?美团募资650亿打造无人配送

从疫情开始之后,美团就已经在无人配送方面发力,根据美团的数据显示,目前美团的无人车配送服务已经覆盖了20多个小区,累计配送3.5万订单,自动驾驶里程近30万公里!

首席财经观察 ·  1天前
未来网络领域发生混合威胁的三大趋势

4月7日,欧洲反混合威胁卓越中心发布报告《未来的网络空间与混合威胁》,指出网络空间是发生混合威胁的领域之一,是网络行动和网络信息行动的促成者。

张明月 张岸佳 ·  1天前
MIT小哥联合谷歌训练7个多任务机器人,9600个任务成功率高达89%!

Google研究团队率先研发出了处理大规模任务的新型机器人,这些机器人竟然具有「学习世界」的能力。

新智元 ·  1天前
有了这支矢量神经风格画笔,无需GAN也可生成精美绘画

一种新的神经风格画笔能够生成矢量形式的绘画作品,在统一框架下支持油画、马克笔、水彩画等多种笔触,并可进一步风格化。

机器之心 ·  1天前
5G只比4G多1G?人工智能不答应

4月4日,论文共同作者之一、美国艺术与科学院院士、清华大学智能产业研究院院长张亚勤在接受科技日报记者采访时表示,通信行业正在走向5G,马上要走向6G,光是看视频快点、多发送点图片,那不是5G。什么才是真正的5G?为什么要在5G网络里“注入”人工智能?

科技日报 ·  1天前
通过AI和ML实现完全自动化的5种绝佳方法

在本文中,我们将讨论使用AI和ML的智能测试自动化技术如何帮助项目团队减少测试工作并提高测试覆盖率。

佚名 ·  1天前
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载