基于Tensorflow和Keras实现卷积神经网络CNN并进行猫狗识别

您所在的位置：网站首页 › 鸡腿图像 › 基于Tensorflow和Keras实现卷积神经网络CNN并进行猫狗识别

基于Tensorflow和Keras实现卷积神经网络CNN并进行猫狗识别

2023-07-09 14:55| 来源: 网络整理| 查看: 265

文章目录一、环境配置1、安装Anaconda2、配置TensorFlow、Keras 二、猫狗数据集分类建模3.1 猫狗图像预处理3.2 猫狗分类的实例——基准模型3.1 构建神经网络3.2 配置优化器3.3 图片格式转化3.4 训练模型3.5 保存模型3.6 可视化三、数据增强四、dropout 层五、参考资料

一、环境配置 1、安装Anaconda

具体可参考此博文

2、配置TensorFlow、Keras

创建虚拟环境：输入下面命令

conda create -n tf1 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如果命令无效，可参考此博文如果提示：CondaSSLError: OpenSSL appears to be unavailable on this machine.可参考此博文

运行结果如下：在这里插入图片描述

激活环境：

activate conda activate tf1

安装 tensorflow、keras 库：在新建的虚拟环境 tf1 内，使用以下命令安装两个库：

pip install tensorflow==1.14.0 -i “https://pypi.doubanio.com/simple/” pip install keras==2.2.5 -i “https://pypi.doubanio.com/simple/”

结果如下：

在这里插入图片描述

安装 nb_conda_kernels 包：

conda install nb_conda_kernels

安装 1.16.4 版本的 numpy：

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

结果如下:

在这里插入图片描述安装 pillow 库：

pip install pillow -i “https://pypi.doubanio.com/simple/”

在这里插入图片描述安装matplotlib库：

pip install matplotlib -i “https://pypi.doubanio.com/simple/”

在这里插入图片描述

打开 Jupyter Notebook（（tf1）环境下的）：在这里插入图片描述

点击【New】→【Python[tf1环境下的]】创建 python 文件：

在这里插入图片描述

二、猫狗数据集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：在这里插入图片描述

3.1 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:\\Cat_And_Dog\\train\\' # 数据集分类后的目录 base_dir = 'D:\\Cat_And_Dog\\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)

运行效果如下：

在这里插入图片描述

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)))

在这里插入图片描述可从上图看出猫狗训练图片各 1000 张，验证图片各 500 张，测试图片各 500 张。

3.2 猫狗分类的实例——基准模型 3.1 构建神经网络 #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')) 查看模型各层参数情况： #输出模型各层的参数状况 model.summary()

在这里插入图片描述

3.2 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']) 3.3 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')

在这里插入图片描述

查看上述图像预处理生成其中的输出 #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

在这里插入图片描述

3.4 训练模型 #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)

在这里插入图片描述

3.5 保存模型 #保存训练得到的的模型 model.save('D:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_1.h5') 3.6 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()

在这里插入图片描述

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。

这里先解释下什么是过拟合？举个例子：我们设计了一个模型来判断一件物品是否为树叶。喂养这个模型的数据集中含有几张带有尖刺边缘的树叶。模型的设计者希望模型能满足每一个训练数据，模型就将尖刺边缘也纳入了参数中。当我们测试这个模型的泛化性能时，就会发现效果很差，因为模型钻牛角尖，它认为树叶必须带有尖刺边缘，所以它排除了所有没有带有尖刺边缘的树叶，但事实上，我们知道树叶并不一定带有尖刺边缘。

过拟合常见解决方法：（1）在神经网络模型中，可使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。（2）选取合适的停止训练标准，使对机器的训练在合适的程度；（3）保留验证数据集，对训练成果进行验证；（4）获取额外数据进行交叉验证；（5）正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。

不过接下来将使用一种新的方法，专门针对计算机视觉，在深度学习模型处理图像时几乎普遍使用——数据增强。

三、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：在这里插入图片描述重新构建模型：

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，其它的都一样在这里插入图片描述

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：在这里插入图片描述

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()

在这里插入图片描述

图片格式转换 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') 训练模型 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')

在这里插入图片描述

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()

在这里插入图片描述

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。四、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：在这里插入图片描述

实现：在构建网络模型时额外加入以下代码：

#退出层 model.add(layers.Dropout(0.5))

在这里插入图片描述运行结果如下：

五、参考资料

https://blog.csdn.net/ssj925319/article/details/117787737

【本文地址】

基于Tensorflow和Keras实现卷积神经网络CNN并进行猫狗识别

基于Tensorflow和Keras实现卷积神经网络CNN并进行猫狗识别

今日新闻

推荐新闻