python 建立CNN模型进行猫狗图像识别 cnn猫狗分类

文章

• 1.导入第三方库
• 2.定义模型
• 3.训练数据和测试数据生成
• 4.训练模型

猫狗分类的数据集可以查看图像数据预处理。
代码运行平台为jupyter-notebook，文章中的代码块，也是按照jupyter-notebook中的划分顺序进行书写的，运行文章代码，直接分单元粘入到jupyter-notebook即可。
简单CNN实现猫狗分类代码：

1.导入第三方库

from keras.models import Sequential
from keras.layers import Convolution2D,MaxPooling2D
from keras.layers import Activation,Dropout,Flatten,Dense
from tensorflow.keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
import os

2.定义模型

# 定义模型
model = Sequential()
model.add(Convolution2D(input_shape=(150,150,3),filters=32,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=32,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))

model.add(Convolution2D(filters=64,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=64,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))

model.add(Convolution2D(filters=128,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(Convolution2D(filters=128,kernel_size=3,strides=1,padding="same",activation="relu"))
model.add(MaxPooling2D(pool_size=2,strides=2,padding="valid"))

model.add(Flatten())
model.add(Dense(64,activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(2,activation="softmax"))

# 定义优化器
adam = Adam(lr=1e-4)

# 定义优化器，loss_function,训练过程中计算准确率
model.compile(
    optimizer=adam,
    loss="categorical_crossentropy",
    metrics=['accuracy']
)

# 查看模型的结构
model.summary()

运行结果：

3.训练数据和测试数据生成

# 训练集数据生成
train_datagen = ImageDataGenerator(
    rescale=1./255,# 归一化处理
    shear_range=0.2,# 随机裁剪
    zoom_range=0.2,# 图片放大
    horizontal_flip=True # 水平翻转
)
# 测试集数据处理
test_datagen = ImageDataGenerator(rescale=1./255)

测试集通常不需要做复杂的数据生成，测试集只是未来测试才用，而训练集时为了
做数据生成是为了：

• 1.增加数据量，使得图片各种各样
• 2.增加模型的鲁棒性，使其泛化性更好

flow_from_directory:

• directory:目标文件夹路径，对于每一个类，该文件夹都要包含一个子文件夹.子文件夹中任何JPG、PNG、BNP、PPM的图片都会被生成器使用
• target_size:整数tuple，默认为（256，256）.图像将被resize成该尺寸
• color_mode:颜色模式，为"grayscale"，“rgb"之一，默认为"rgb”.代表这些图片是否会被转换为单通道或三通道的图片.
• classes:可选参数，为子文件夹的列表，如[‘dogs’，‘cats’]默认为None.若未提供，则该类别列表将从directory下的子文件夹名称/结构自动推断，每一个子文件夹都会被认为是一个新的类。（类别的顺序将按照字母表顺序映射到标签值）。通过属性class_indices可获得文件夹名与类的序号的对应字典。
• class_mode:“categorical”，“binary”，“sparse"或None之一，默认为"categorical”.该参数决定了返回的标签数组的式，"categorical"会返回2D的one-hot编码标签，"binary"返回1D的二值标签."sparse"返回1D的整数标签，如果为None则不返回任何标签，生成器将仅仅生成batch数据，这种情况在使用model.predict_generator()和model.evaluate_generator()等函数时会用到.
• batch_size:batch数据的大小，默认为32
• shuffle:是否打乱数据，默认为True
• seed:可选参数，打乱数据和进行变换时的随机数种子

batch_size = 32
# 生成训练数据
train_generator = train_datagen.flow_from_directory(
    "../input/cat-and-dog-classify/train/train",# 训练数据路径
    target_size=(150,150),# 设置图片大小
    batch_size=batch_size # 批次大小
)
# 测试数据
test_generator = test_datagen.flow_from_directory(
    "../input/cat-and-dog-classify/test/test",# 训练数据路径
    target_size=(150,150),# 设置图片大小
    batch_size=batch_size # 批次大小
)

# 统计文件个数
totalFileCount_train = sum([len(files) for root,dirs,files in os.walk("../input/cat-and-dog-classify/train/train")])
totalFileCount_test = sum([len(files) for root,dirs,files in os.walk("../input/cat-and-dog-classify/test/test")])

4.训练模型

model.fit_generator(
    train_generator,
    steps_per_epoch=totalFileCount_train/batch_size,
    epochs=50,
    validation_data=test_generator,
    validation_steps=totalFileCount_train/batch_size
)

# 保存模型
model.save("CNN1.h5")

这里面有一个steps_per_epoch=totalFileCount_train/batch_size这个是计算每批次的总步数，一批次的总步数等于数据量除以batch_size。

运行结果：