CNN神经网络图像分类---全流程

    Hello，又是一个分享的日子，上期博主介绍了CNN神经网络文本分类----招聘信息分类，并介绍了文本在进入神经网络前的预处理工作。今天博主给大家分享的是用CNN神经网络对图像数据的分类，不可避免的，这也同样需要对图像数据进行预处理。

    当然啦，博主也在往期的推文中也介绍了CNN卷积神经网络的原理，还不熟悉CNN卷积神经网络原理的小伙伴可以翻一下什么？卷积层会变胖？人工智能之光---CNN卷积神经网络（原理篇），这里博主就不进行过多的赘述了。

    

图像预处理

数据集                                                                                         

    这一期，我们是基于fashion MNIST数据的图像分类去做实验。在2017年8月份，德国研究机构Zalando Research在GitHub上推出了一个全新的数据集，其中训练集包含60000个样例，测试集包含10000个样例，分为10类，每一类的样本训练样本数量和测试样本数量相同。样本都来自日常穿着的衣裤鞋包，每个都是28×28的灰度图像，其中总共有10类标签，每张图像都有各自的标签。

    使用这个数据集的目的是为了让大家了解整个图像分类的处理流程，即如何将图像数据转成计算机能够读懂的格式，并灌入神经网络模型中训练，最后得到我们想要的分类结果。

    那为什么不用Keras自带的数据集呢？那是因为如果我们单纯用Keras自带的数据集如Cifar-10，这些数据集都是已经被处理好的了，我们直接调用即可，这样大家的知识体系就少了预处理的过程，而且对于后面的迁移学习做图像分类，我们同样也是用fashion MNIST这个数据集，确保大家都对整体的图像分类流程有个明确的思路。

    图像预处理相对文本预处理要简单一些，只需要用Python将数据读入，然后将其转换成同样大小的矩阵格式即可，然后对矩阵进行归一化，这样就可以被神经网络所读入。这些操作均在后面代码中体现。

    这里还需要讲的是Keras的图像生成器ImageDataGenerator。这个生成器有很多操作如翻转、旋转和缩放等，目的是生成更加多且不一样的图像数据，这样我们得到的训练模型泛化性更加的好，从而得到的模型更加准确。

      

 datagen = ImageDataGenerator(	
        featurewise_center=False,  	
        # set input mean to 0 over the dataset	
        samplewise_center=False, 	
         # set each sample mean to 0	
        featurewise_std_normalization=False,  	
        # divide inputs by std of the dataset	
        samplewise_std_normalization=False,  	
        # divide each input by its std	
        zca_whitening=False,  	
        # apply ZCA whitening	
        zca_epsilon=1e-06,  	
        # epsilon for ZCA whitening	
        rotation_range=0,  	
        validation_split=0.0)

    上面就是图像增强的核心代码，这只是对图像的一部分操作，更多的操作我们可以通过官网去查询，每个参数的意思在官网已经有详细描述，因此博主就不进行太多的赘述了。这里博主给大家附上链接即可。

Keras图像生成器参数含义

https://keras.io/zh/preprocessing/image/

实验

实验环境                                                                                          

• Anaconda Python 3.7 

• Jupyter Notebook

• Keras

  开发环境安装在之前的推文中已经介绍，还没安装的小伙伴可以翻一下。

• Python开发环境---Windows与服务器篇

• Python深度学习开发环境---Keras

• 图像数据集

提取码：ffbp

https://pan.baidu.com/s/1D4EKsd3GpWXcjRnmJtFGXw

 

实验流程                                                                                          

• 加载图像数据

• 图像数据预处理  

• 训练模型

• 保存模型与模型可视化

• 训练过程可视化

代码                                                                                                 

•     核心代码

model = Sequential()	
model.add(Conv2D(32, (3, 3), padding='same',  # 32，(3,3)是卷积核数量和大小	
                 input_shape=x_train.shape[1:]))  # 第一层需要指出图像的大小	
model.add(Activation('relu'))	
model.add(Conv2D(32, (3, 3)))	
model.add(Activation('relu'))	
model.add(MaxPooling2D(pool_size=(2, 2)))	
model.add(Dropout(0.25))	

	
model.add(Conv2D(64, (3, 3), padding='same'))	
model.add(Activation('relu'))	
model.add(Conv2D(64, (3, 3)))	
model.add(Activation('relu'))	
model.add(MaxPooling2D(pool_size=(2, 2)))	
model.add(Dropout(0.25))	

	
model.add(Flatten())	
model.add(Dense(512))	
model.add(Activation('relu'))	
model.add(Dropout(0.5))	
model.add(Dense(num_classes))	
model.add(Activation('softmax'))	

	
# initiate RMSprop optimizer	
opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)	

	
# Let's train the model using RMSprop	
model.compile(loss='categorical_crossentropy',	
              optimizer=opt,	
              metrics=['accuracy'])

• 参数

  Dense: 全连接层。

  CNN2D:2维卷积神经网络，常用于处理图像。

  Dropout: 以一定概率放弃两层之间的一些神经元链接，防止过拟合，可以加在网络层与层之间。

  optimizer: 优化器，梯度下降的优化方法

  这些都在之前的推文中有所介绍，小伙伴们可以去翻阅一下。

  码前须知---TensorFlow超参数的设置

  activation: 激励函数，‘linear’一般用在回归任务的输出层，而‘softmax’一般用在分类任务的输出层。

  validation_split:  切分一定比例的训练集作为验证集

  loss: 拟合损失方法，这里用到了多分类损失函数交叉熵

  
  

        如果你的label 是 数字编码 ，用 sparse_categorical_crossentropy, 

       如果你的 label是 one-hot 编码，用 categorical_crossentropy

        keras还有别的误差函数，在后续的推文会一一介绍。

• epochs 与 batch_size：前者是迭代次数，后者是用来更新梯度的批数据的大小，iteration = epochs / batch_size, 也就是完成一个epoch需要跑多少个batch。这这两个参数可以用控制变量法来调参，控制一个参数，调另外一个，看损失曲线的变化。

  小伙伴们可以去keras官网查看更多的参数含义与用途，博主也会在后续的课程中通过实验的方法将这些参数涉及进来，让大家的知识点串联起来。

        

Keras官网

https://keras.io/

• Git链接

代码

https://github.com/ChileWang0228/DeepLearningTutorial/blob/master/CNN/Tradition_cnn_image.ipynb

训练结果                                                                                             

• 训练过程

• 结果分析

  这里只跑了5个epoch，结果还在呈现上升趋势，说明我们可以将epoch设置大一些，得到的模型会更加准确，有兴趣的小伙伴们，可以尝试对其进行调参。

代码实践视频                                                                                          

视频卡顿？bilibili值得拥有~(っ•̀ω•́)っ✎⁾⁾ 我爱学习

https://www.bilibili.com/video/av60599314/

总结

        好了，到这里，我们就已经将CNN卷积神经网络图像分类的知识点讲完了。大家在掌握了整个流程之后，就可以在博主的代码上修修补补，训练自己的CNN卷积神经网络来做图像分类任务了。

       下一期，博主就带领大家用迁移学习来做图像分类，敬请期待吧~

图片来源于网络，侵删

    

留言

博主刚弄的一个留言功能，欢迎各位小伙伴踊跃留言~