用自己的数据构建一个简单的卷积神经网络

在本文中，用自我们将构建一个卷积神经网络，己的卷积将对7种类型的数据神经数千个图像进行训练，即：鲜花，构建个简汽车，网络猫，用自马，己的卷积人，数据神经自行车，构建个简狗，网络然后能够预测是用自否给定的图像是云服务器猫，狗或人。己的卷积

该CNN实现使用自己的数据神经图像数据集涵盖以下主题

加载和预处理自己的数据集 在Keras设计和训练CNN模型 绘制损失和准确度曲线 评估模型和预测测试图像的输出类 可视化CNN的中间层输出 绘制结果的混淆矩阵

加载和预处理自己的数据集：

我们将使用的数据集包括从互联网收集并标记的7个类。Python代码如下;

PATH = os.getcwd()   #Define data path  data_path = PATH + /data  data_dir_list = os.listdir(data_path)  data_dir_list 

输出:

[bike,构建个简 cars, cats, dogs, flowers, horses, human] 

可视化一些图像，我们可以看到图像是网络128x128像素,Python代码如下：

#Visualize some images  image = X_train[1441,:].reshape((128,128))  plt.imshow(image)  plt.show() 

用自己的服务器租用数据构建一个简单的卷积神经网络 

接下来，我们开始在Keras中设计和编译CNN模型，Python实现如下：

#Initializing the input shape  input_shape = img_data[0].shape   #Design CNN sequential model  model = Sequential ([   Convolution2D(32,3,3, border_mode = same, activation = relu, input_shape = input_shape),   Convolution2D(32,3,3, activation = relu),   MaxPooling2D(pool_size = (2,2)),   Dropout(0.5),    Convolution2D(64,3,3, activation = relu),   MaxPooling2D(pool_size = (2,2)),   Dropout(0.5),    Flatten(),   Dense(64, activation = relu),   Dropout(0.5),   Dense(num_classes, activation = softmax)  ])   #Compiling the model  model.compile(   loss = categorical_crossentropy,    optimizer = adadelta,   metrics = [accuracy]) 

在拟合模型之后，我们可以在整个迭代过程中可视化训练和验证。

ist = model.fit (X_train, y_train,   batch_size = 16,   nb_epoch = num_epoch,   verbose=1,   validation_data = (X_test, y_test)   ) 

我们现在可以使用我们的模型使用以下代码预测新图像的新类：

# Predicting the test image  print((model.predict(test_image)))  print(Image class:, model.predict_classes(test_image)) 

正如我们在下面看到的，我们的模型正确地将图像分类为class [0] - bike。

[[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02  3.0998811e-01 1.3129448e-02]]  Image class: [0] 

这是一个混淆矩阵，没有归一化

我们现在可以保存模型和权重，以便在实际应用程序中实现。高防服务器 

很赞哦!（253）