猫狗图像识别（卷积神经网络算法，TensorFlow安装）

目录

一、tensorflow库安装

（1）TensorFlow的历史版本与对应Python版本

（2）Python版本查询

（3）找到上面的版本框进行对应的TensorFlow下载

（4）安装成功

（5）TensorFlow成功验证

二、项目简介

（1）项目说明

（2）项目目的

三、实现过程

（1）库导入

（2）匹配图形

（3）定义图像以及测试集与验证集路径确认

（4）模型训练参数设置

（5）维度定义与图像生成器

（6）卷积神经网络各层次设置

（7）函数回调结果注入训练

（8）训练结果可视化

一、tensorflow库安装

（1）TensorFlow的历史版本与对应Python版本

（2）Python版本查询

在配置了python环境变量的情况下可以使用以下方法：

win+R或者在搜索框搜索cmd打开Windows的终端，在终端输入python --version

未配置python环境的情况下，使用anaconda prompt终端查询版本号以及后面的操作。

（3）找到上面的版本框进行对应的TensorFlow下载

当时安装时并没有想到版本问题会影响TensorFlow后续的使用，就随便选了一个版本，当然你想选择一样的版本也行，后续做法跟我的做法会是一样的。

这里我们从清华园下载TensorFlow的镜像文件,后面是版本号

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14

注意：

①这里的命令运行时在Windows的终端下直接运行，前提是有Python环境

②若下载遇到非环境的报错，请复制Downloading后的网址，直接去网址上下载安装文件，然后切换到，下载路径，用pip insatll 下载的文件后缀为.whl文件

（4）安装成功

安装时出现如下情况就是安装成功

（5）TensorFlow成功验证

导入TensorFlow库做一个简单的计算

import tensorflow as tf
sess = tf.Session()
a = tf.constant(10)
b = tf.constant(12)
sess.run(a+b)

得到如下结果就证明安装成功

注：

在验证阶段可能会出现如下错误

第一个是jupyter的报错，第二个是anaconda的报错信息

这是因为有得机器protobuf版本等级与TensorFlow不相符，只需要根据后面的protobuf>=的版本号进行重装即可

命令如下：

pip install protobuf==3.19.0

二、项目简介

（1）项目说明

图像识别技术是人工智能计算机视觉的重要基础，使用机器学习/深度学习算法可以高效准确的识别出图片的主要特征，从而对不同图片内容的图片进行分类识别。

在图像识别研究领域有一个经典的数据集：Cat_vs_Dogs（猫狗识别数据集），很多计算机视觉的算法研究使用这个数据集来验证其效果。附件中采集了1500张猫的照片和1500张狗的照片,分别放入下面的目录结构中：

cats_vs_dogs：

train：

cats: [cat.0.jpg, cat.1.jpg, cat.2.jpg ....]

dogs: [dog.0.jpg, dog.1.jpg, dog.2.jpg ...]

validation：

cats: [cat.2000.jpg, cat.2001.jpg, cat.2002.jpg ....]

dogs: [dog.2000.jpg, dog.2001.jpg, dog.2002.jpg ...]

注：其中train作为训练集，有猫狗各1000张照片；validation作为验证集，有猫狗各500张照片。图片示例如下：

（2）项目目的

项目目的主要是实现对于猫狗图形识别的模型建立，再通过验证集验证图形识别模型的准确性。本篇文章主要讲述项目模型建立过程，至于模型设计、参数调优以及模型结果分析会在后续的文章中给出。

三、实现过程

（1）库导入

from tensorflow.keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.layers import Activation, Dropout, Flatten, Dense
from tensorflow.keras import backend as K
from tensorflow.keras.callbacks import TensorBoard
from tensorflow.keras.applications import VGG16,InceptionV3,ResNet50,MobileNet
import numpy as np
import matplotlib.pyplot as plt
import glob, os, random

os模块作用

可以处理文件和目录这些我们日常手动需要做的操作。如果你希望你的程序能够与平台无关的话，这个模块是尤为重要的。

glob模块作用

主要用来查找符合特定规则的目录和文件，并将搜索的到的结果返回到一个列表中。

（2）匹配图形

path = 'data'
os.path.join(path, '*/*/*.*')
# 使用 glob 模块批量匹配图像, * 代表匹配所有东西
img_list = glob.glob(os.path.join(path, '*/*/*.*'))
print('>>>图像数量：', len(img_list))
print(img_list[:5])

for i, img_path in enumerate(img_list[:6]):
    img_plot = load_img(img_path)  # 加载图像
    arr = img_to_array(img_plot)  # 将图像转换成数组
    print(arr.shape)  # 图像形状
    plt.subplot(2, 3, i + 1)
    plt.imshow(img_plot)

os.path.join(path,name):连接目录与文件名或目录。

glob.glob()：返回符合匹配条件的所有文件的路径。

注：此处需要,ipynb文件和data文件同在一个目录下，如下图所示

（3）定义图像以及测试集与验证集路径确认

# 统一定义图像像素的宽度和高度
img_width, img_height = 100, 100
# 定义训练集、验证集的图形路径（文件夹路径即可）
train_data_dir = 'data/train/'
validation_data_dir = 'data/validation/'

注：此处可以调试的有统一定义图像像素的宽度和高度，再不看后续分析文章的情况下可以自行进行数据的调试，此处不做过多解释。

（4）模型训练参数设置

# 模型训练的参数设置
nb_train_samples = 30
nb_validation_samples = 10
epochs = 20  # 迭代次数
batch_size = 32  # 每个批量观测数

注：模型训练参数的设置影响模型训练的结果，其中迭代次数与每个批量观测数影响着模型的结果，前两个参数是后面models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。

（5）维度定义与图像生成器

# 图像输入维度设置
if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

# 定义图像生成器
train_datagen = ImageDataGenerator(rescale=1. / 255,  # 重缩放因子
                                   shear_range=0.2,  # 剪切强度（以弧度逆时针方向剪切角度）
                                   zoom_range=0.2,  # 随机缩放范围
                                   horizontal_flip=True,  # 随机水平翻转
                                   rotation_range=360  # 360度范围内随机旋转
                                   )

# 使用图像生成器，从train_data_dir目录中读取图片，生成训练集（X_train图片数据, y_train图片所在的目录名称）
train_generator = train_datagen.flow_from_directory(train_data_dir,  # 训练数据的文件夹路径
                                                    target_size=(img_width, img_height),  # 统一像素大小
                                                    batch_size=batch_size,  # 每一批次的观测数
                                                    class_mode='categorical'  # 指定分类模式，指定二分类
                                                    )


test_datagen = ImageDataGenerator(rescale=1. / 255,
                                  shear_range=0.2,  # 剪切强度（以弧度逆时针方向剪切角度）
                                  zoom_range=0.2,  # 随机缩放范围
                                  horizontal_flip=True)  # 随机水平翻转

validation_generator = test_datagen.flow_from_directory(validation_data_dir,  # 验证集文件夹路径
                                                        target_size=(img_width, img_height),
                                                        batch_size=batch_size,
                                                        class_mode='categorical'  # 二分类
                                                        )

注：图像维度设置中k.image_data_format()，返回图像维度顺序（“channels_first”或“channels_last”），彩色图像的性质一般包括：width、height、channels。

（6）卷积神经网络各层次设置

model = Sequential()

# -----------------------------------------------------
# 输入层：第一层
# 添加第一个卷积层/最大池化层(必选)
model.add(Conv2D(filters=32,  # 32 个过滤器
                 kernel_size=(3, 3),  # 卷积核大小 3 x 3
                 input_shape=input_shape,  # 图像输入维度
                 activation='relu'))  # 'relu' 激活函数
model.add(MaxPooling2D(pool_size=(2, 2)))  # 池化核大小 2 x 2

# ----------------------------------------------------
# 隐藏层：介于第一层和最后一层之间
# 添加第二个卷积层/最大池化层(可选)
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 由于卷积层是 2D 空间，训练时需要将数据展平为 1D 空间
model.add(Flatten())  # 添加展平层(必选)
model.add(Dense(units=64, activation='relu'))  # 添加全连接层(必选) 64 个神经元
model.add(Dropout(0.5))  # 添加丢弃层，防止过拟合

# ---------------------------------------------------
# 输出层：最后一层，神经元控制输出的维度，并指定分类激活函数
model.add(Dense(units=2, activation='sigmoid'))  # 指定分类激活函数

model.summary()

model.compile(loss='binary_crossentropy',  # 指定损失函数类型
              optimizer='rmsprop',  # 优化器
              metrics=['accuracy'])  # 评价指标

完成后运行会出现如下的过程图：

（7）函数回调结果注入训练

# tensorboard回调函数
logs = os.path.join("logs")
if not os.path.exists(logs):
    os.mkdir(logs)
train_callbacks = [
    TensorBoard(
        log_dir=r'./logs',
        histogram_freq=1,
    )
]

tensorboard_dir = os.path.join(r'.\logs\plugins\profile')
history = model.fit_generator(train_generator,
                              steps_per_epoch=nb_train_samples,
                              epochs=epochs,
                              validation_data=validation_generator,
                              validation_steps=nb_validation_samples,
                              callbacks=train_callbacks
                              )

models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。

注：其中logs\plugins\profile这个文件内容需要自己手动建立，本实验代码没有写代码创建模块，当创建logs后需要自己在logs文件夹下创建plugins文件夹，在文件夹plugins下创建profile文件夹。否则会报以下错误：

运行后会出现如下过程图

（8）训练结果可视化

#现在将训练后的结果可视化。
acc = history.history['acc']
val_acc = history.history['val_acc']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(20, 10))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

可视化训练后的结果图：

文章来源地址https://www.toymoban.com/news/detail-478833.html

到了这里，关于猫狗图像识别（卷积神经网络算法，TensorFlow安装）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！