卷积神经网络狗猫数据集的分类

这篇具有很好参考价值的文章主要介绍了卷积神经网络狗猫数据集的分类。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

卷积神经网络狗猫数据集的分类

环境搭建

安装Anaconda

具体安装过程,请自行百度

配置TensorFlow、Keras

  1. 创建虚拟环境

输入下面命令:

conda create -n ppqppl_tfl python=3.6
#tf1是自己为创建虚拟环境取的名字,后面python的版本可以根据自己需求进行选择
  1. 激活环境

使用下面命令:

activate
conda activate ppqppl_tfl

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

  1. 安装tensorflow和keras

使用下面命令:

pip install 包名
#直接这样安装可以由于网络的原因,安装失败或者安装很慢
#解决方式:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
#此次安装命令如下:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras==2.2.5
# 安装 nb_conda_kernels 包
conda install nb_conda_kernels
# 如果上述命令报错,请更换下载源
# 经检测,这里清华源下载最快,注意,这里不能使用梯子

安装完成后,我们需要在指定虚拟环境中新建一个 jupyter notebook 项目,执行如下命令即可将指定环境添加到 jupyter notebook 中:

# 第一步,切换到想要添加的虚拟环境:
conda activate data

# 第二步,安装ipykernel包
conda install ipykernel

# 第三部,执行如下命令,并确定环境的名称(此处设置为data)
python -m ipykernel install --name data

然后我们启动 jupyter notebook,创建一个指定环境下的文件即可

这样我们的环境配置就已经成功了

猫狗数据分类建模

猫狗图片数据集下载:https://pan.baidu.com/s/1f-MvZl7_J6DF7P9CGBY3SQ ——提取码:ruyn

数据集下载完毕后,解压缩,并放在一个没有中文路径下,如下图所示:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

猫狗图像预处理

对猫狗图像进行分类,代码如下:

import os, shutil 
# 原始目录所在的路径
original_dataset_dir = 'D:\\code-file\\conda\\kaggle_Dog&Cat\\train\\'

# 数据集分类后的目录
base_dir = 'D:\\code-file\\conda\\kaggle_Dog&Cat\\train1'
os.mkdir(base_dir)

# # 训练、验证、测试数据集的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)

# 猫训练图片所在目录
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)

# 狗训练图片所在目录
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)

# 猫验证图片所在目录
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)

# 狗验证数据集所在目录
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)

# 猫测试数据集所在目录
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)

# 狗测试数据集所在目录
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)

# 将前1000张猫图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)

# 将下500张猫图像复制到validation_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张猫图像复制到test_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将前1000张狗图像复制到train_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到validation_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到test_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)

分类后如下图所示:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

查看分类后,对应目录下的图片数量:

#输出数据集对应目录下图片数量
print('total training cat images:', len(os.listdir(train_cats_dir)))
print('total training dog images:', len(os.listdir(train_dogs_dir)))
print('total validation cat images:', len(os.listdir(validation_cats_dir)))
print('total validation dog images:', len(os.listdir(validation_dogs_dir)))
print('total test cat images:', len(os.listdir(test_cats_dir)))
print('total test dog images:', len(os.listdir(test_dogs_dir)))

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

猫狗训练图片各 1000 张,验证图片各 500 张,测试图片各 500 张

猫狗分类的实例——基准模型

构建网络模型:

#网络模型构建
from keras import layers
from keras import models
#keras的序贯模型
model = models.Sequential()
#卷积层,卷积核是3*3,激活函数relu
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层,卷积核2*2,激活函数relu
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层,卷积核是3*3,激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层,卷积核是3*3,激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#flatten层,用于将多维的输入一维化,用于卷积层和全连接层的过渡
model.add(layers.Flatten())
#全连接,激活函数relu
model.add(layers.Dense(512, activation='relu'))
#全连接,激活函数sigmoid
model.add(layers.Dense(1, activation='sigmoid'))

运行后出现以下错误:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

这是由于 numpy 版本与 tensorflow 版本不匹配的问题,安装 1.16.4 版本的 numpy 即可,命令如下:

pip install numpy==1.16.4 -i "https://pypi.doubanio.com/simple/"

重新再运行程序,就没有错误了,但是有警告(因为版本比较老了),没事

查看模型各层的参数状况:

#输出模型各层的参数状况
model.summary()

结果如下图所示:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

配置优化器:

loss:计算损失,这里用的是交叉熵损失

metrics:列表,包含评估模型在训练和测试时的性能的指标

from keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

图片格式转化

所有图片(2000张)重设尺寸大小为 150x150 大小,并使用 ImageDataGenerator 工具将本地图片 .jpg 格式转化成 RGB 像素网格,再转化成浮点张量上传到网络上

from keras.preprocessing.image import ImageDataGenerator

# 所有图像将按1/255重新缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        # 这是目标目录
        train_dir,
        # 所有图像将调整为150x150
        target_size=(150, 150),
        batch_size=20,
        # 因为我们使用二元交叉熵损失,我们需要二元标签
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

输出结果:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

查看上述图像预处理过程中生成器的输出

#查看上面对于图片预处理的处理结果
for data_batch, labels_batch in train_generator:
    print('data batch shape:', data_batch.shape)
    print('labels batch shape:', labels_batch.shape)
    break

如果出现错误:ImportError: Could not import PIL.Image. The use of load_img requires PIL,是因为没有安装 pillow 库导致的,使用如下命令在 ppqppl_tfl 虚拟环境中安装:

pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完毕后,关闭 Jupyter Notebook 重新打开,重新运行一遍程序即可

输出结果如下:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

开始训练模型(此时,我的电脑在飞速运转…)

#模型训练过程
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=30,
      validation_data=validation_generator,
      validation_steps=50)

电脑性能越好,它训练得越快

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

保存模型

#保存训练得到的的模型
model.save('G:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_1.h5')

结果可视化

#对于模型进行评估,查看预测的准确性
import matplotlib.pyplot as plt

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

epochs = range(len(acc))

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

训练结果如上图所示,很明显模型上来就过拟合了,主要原因是数据不够,或者说相对于数据量,模型过复杂(训练损失在第 30 个 epoch 就降为 0 了),训练精度随着时间线性增长,直到接近 100%,而我们的验证精度停留在 70-72%。我们的验证损失在 5 个 epoch 后达到最小,然后停止,而训练损失继续线性下降,直到接近 0

数据增强

什么是数据增强?

数据集增强主要是为了减少网络的过拟合现象,通过对训练图片进行变换可以得到泛化能力更强的网络,更好的适应应用场景。

常用的数据增强方法有:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

重新构建模型:

上面建完的模型就保留着,我们重新建一个 .ipynb 文件,重新开始建模。

首先猫狗图像预处理,只不过这里将分类好的数据集放在 train2 文件夹中,其它的都一样

然后配置网络模型、构建优化器,然后进行数据增强,代码如下:

图像数据生成器增强数据:

from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')

参数解释:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

查看数据增强后的效果:

import matplotlib.pyplot as plt
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]
# We pick one image to "augment"
img_path = fnames[3]
# Read the image and resize it
img = image.load_img(img_path, target_size=(150, 150))
# Convert it to a Numpy array with shape (150, 150, 3)
x = image.img_to_array(img)
# Reshape it to (1, 150, 150, 3)
x = x.reshape((1,) + x.shape)
# The .flow() command below generates batches of randomly transformed images.
# It will loop indefinitely, so we need to `break` the loop at some point!
i = 0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i += 1
    if i % 4 == 0:
        break
plt.show()

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

图片格式转化

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,)
# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        # This is the target directory
        train_dir,
        # All images will be resized to 150x150
        target_size=(150, 150),
        batch_size=32,
        # Since we use binary_crossentropy loss, we need binary labels
        class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

开始训练并保存结果

history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50)
model.save('E:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_2.h5')

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

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(len(acc))
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

如下图所示:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

由于数据量的增加,对比基准模型,可以很明显的观察到曲线没有过度拟合了,训练曲线紧密地跟踪验证曲线,这也就是数据增强带来的影响,但是可以发现它的波动幅度还是比较大的

下面在此数据增强的基础上,再增加一层 dropout 层,再来训练看看

dropout 层

什么是dropout层?

Dropout层在神经网络层当中是用来干嘛的呢?它是一种可以用于减少神经网络过拟合的结构,那么它具体是怎么实现的呢?

假设下图是我们用来训练的原始神经网络:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

一共有四个输入 \(x_i\),一个输出 y 。Dropout 则是在每一个 batch 的训练当中随机减掉一些神经元,而作为编程者,我们可以设定每一层 dropout(将神经元去除的的多少)的概率,在设定之后,就可以得到第一个 batch 进行训练的结果:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

从上图我们可以看到一些神经元之间断开了连接,因此它们被 dropout 了!dropout顾名思义就是被拿掉的意思,正因为我们在神经网络当中拿掉了一些神经元,所以才叫做 dropout 层

具体实现:

在数据增强的基础上,再添加一个 dropout 层

#退出层
model.add(layers.Dropout(0.5))

如下图所示,仅在构建网络模型时添加一层即可,其余部分不变:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

再次训练模型,查看训练结果如下:

卷积神经网络狗猫数据集的分类,cnn,分类,neo4j,人工智能,神经网络

相比于只使用数据增强的效果来看,额外添加一层 dropout 层,仔细对比,可以发现训练曲线更加紧密地跟踪验证曲线,波动的幅度也降低了些,训练效果更棒了

参考资料

Jupyter Notebook如何调用指定的虚拟环境

基于Tensorflow和Keras实现卷积神经网络CNN文章来源地址https://www.toymoban.com/news/detail-529153.html

到了这里,关于卷积神经网络狗猫数据集的分类的文章就介绍完了。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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包