前言
今日给大家带来的是图像识别技术——小狗分类器
工具应用
开发环境：win10、python3.6
开发工具：pycharm
工具包 ：keras，numpy, PIL
成果展现
训练集的准确率为0.925，但测试集只有0.7
阐明过拟合了，能够再减少一些图片，或者应用数据加强，来缩小过拟合。
测试了两张图片，全都辨认对了！
思路剖析
- 1 筹备数据集
- 2 数据集的预处理
- 3 搭建卷积神经网络
- 4 训练
- 5 预测
1、筹备数据集
咱们能够通过爬虫技术，把4类图像（京巴、拉布拉多、柯基、泰迪）保留到本地。总共有840张图片做训练集，188张图片做测试集。
2 数据集的预处理
1 对立尺寸为1001003（RGB彩色图像）
# 对立尺寸的外围代码img = Image.open(img_path)new_img = img.resize((100, 100), Image.BILINEAR)new_img.save(os.path.join('./dog_kinds_after/' + dog_name, jpgfile))2 因为数据是本人下载的，须要制作标签（label），可提取图像名称的第一个数字作为类别。（重命名图片）
kind = 0# 遍历京巴的文件夹images = os.listdir(images_path)for name in images: image_path = images_path + '/' os.rename(image_path + name, image_path + str(kind) +'_' + name.split('.')[0]+'.jpg')3 划分数据集
840张图片做训练集，188张图片做测试集。
4 把图片转换为网络须要的类型
# 只放了训练集的代码，测试集一样操作。ima_train = os.listdir('./train')# 图片其实就是一个矩阵（每一个像素都是0-255之间的数）（100*100*3）# 1.把图片转换为矩阵def read_train_image(filename): img = Image.open('./train/' + filename).convert('RGB') return np.array(img)x_train = []# 2.把所有的图片矩阵放在一个列表里 (840, 100, 100, 3)for i in ima_train: x_train.append(read_train_image(i))x_train = np.array(x_train)# 3.提取kind类别作为标签y_train = []for filename in ima_train: y_train.append(int(filename.split('_')[0]))# 标签（0/1/2/3）(840,)y_train = np.array(y_train)# 我是因为重命名图片为（1/2/3/4），所以都减了1# 为了可能转化为独热矩阵y_train = y_train - 1 # 4.把标签转换为独热矩阵# 将类别信息转换为独热码的模式（独热码有利于神经网络的训练）y_train = np_utils.to_categorical(y_train)y_test = np_utils.to_categorical(y_test)print(y_test)x_train = x_train.astype('float32')x_test = x_test.astype('float32')x_train /= 255x_test /= 255print(x_train.shape) # (840, 100, 100, 3)print(y_train.shape) # (840,)3 搭建卷积神经网络
Keras是基于TensorFlow的深度学习库，是由纯Python编写而成的高层神经网络API，也仅反对Python开发。
它是为了反对疾速实际而对Tensorflow的再次封装，让咱们能够不必关注过多的底层细节，可能把想法疾速转换为后果。
# 1.搭建模型(相似于VGG，间接拿来用就行)model = Sequential()# 这里搭建的卷积层共有32个卷积核，卷积核大小为3*3，采纳relu的激活形式。# input_shape，字面意思就是输出数据的维度。#这里应用序贯模型，比拟容易了解#序贯模型就像搭积木一样，将神经网络一层一层往上搭上去model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))model.add(Conv2D(32, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(Conv2D(64, (3, 3), activation='relu'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Dropout(0.25))#dropout层能够避免过拟合，每次有25%的数据将被摈弃model.add(Flatten())model.add(Dense(256, activation='relu'))model.add(Dropout(0.5))model.add(Dense(4, activation='softmax'))4 训练
训练的过程，就是最优解的过程。
对上图来说，就是依据数据集，一直的迭代，找到一条最近似的直线（y = kx + b），把参数k，b保留下来，预测的时候间接加载。
# 编译模型sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])# 一共进行32轮# 也就是说840张图片，每次训练10张，相当于一共训练84次model.fit(x_train, y_train, batch_size=10, epochs=32)# 保留权重文件（也就是相当于“房价问题的k和b两个参数”）model.save_weights('./dog_weights.h5', overwrite=True)# 评估模型score = model.evaluate(x_test, y_test, batch_size=10)print(score)5 预测
此时k、b(参数)和x(小狗的图像)都是已知的了，求k(类别)就完了。
# 1.上传图片name = input('上传图片的名称（例如：XX.jpg）为：')# 2.预处理图片(代码省略)# 3.加载权重文件model.load_weights('dog_weights.h5')# 4.预测类别classes = model.predict_classes(x_test)[0]target = ['京巴', '拉布拉多', '柯基', '泰迪']# 3-泰迪 2-柯基 1-拉布拉多 0-京巴# 5.打印后果print("辨认后果为:" + target[classes])文章到这里就完结了，感激你的观看，Python数据分析系列，下个系列分享Python小技巧
为了感激读者们，我想把我最近珍藏的一些编程干货分享给大家，回馈每一个读者，心愿能帮到你们。
干货次要有：
① 2000多本Python电子书（支流和经典的书籍应该都有了）
② Python规范库材料（最全中文版）
③ 我的项目源码（四五十个乏味且经典的练手我的项目及源码）
④ Python根底入门、爬虫、web开发、大数据分析方面的视频（适宜小白学习）
⑤ Python学习路线图（辞别不入流的学习）
⑥ 两天的Python爬虫训练营直播权限
All done～详见个人简介或者私信获取残缺源代码。。
往期回顾
Python实现“假”数据
Python爬虫鲁迅学生《经典语录》
Python爬虫豆瓣热门话题