keras图像识别 猫狗识别

import os
import pickle
import numpy as np
from keras import models
from keras import layers
from keras import optimizers
import matplotlib.pyplot as plt
from keras.preprocessing.image import ImageDataGenerator

# 将模型写入到文件
def writer_file(file, model):
    f = open(file, "wb")
    byte = pickle.dumps(model)
    f.write(byte)
    f.close()


# 读取模型文件
def read_file(file):
    f = open(file, "rb")
    my_byte = f.read()
    f.close()
    return pickle.loads(my_byte)


# 转化图片
def format_pacture(file_dir, ):
    datagen = ImageDataGenerator(rescale=1. / 255)  # 图像的三维张量转为[0,1]之间
    generator = datagen.flow_from_directory(
        file_dir,
        target_size=(150, 150),  # 转化图像大小为150*150
        batch_size=120,  # 迭代图片一批有120张
        class_mode='binary'  # 训练时使用了binary_crossentropy,所以这里使用2进制标签
    )
    return generator


# 转化图片
def rotate(file_dir):
    datagen = ImageDataGenerator(
        rescale=1. / 255,  # 图像的三维张量转为[0,1]之间
        rotation_range=40,  # 图像的旋转范围为[0,40]度
        width_shift_range=0.2,  # 图像左右平移比例,最大为1
        height_shift_range=0.2,  # 图像上下平移比例,最大为1
        shear_range=0.2,  # 随机错切变换角度
        zoom_range=0.2,  # 图像随机缩放范围
        horizontal_flip=True  # 是否随机将一半图像水平翻转
    )
    generator = datagen.flow_from_directory(
        file_dir,
        target_size=(150, 150),  # 转化图像大小为150*150
        batch_size=200,  # 迭代图片一批有120张
        class_mode='binary'  # 训练时使用了binary_crossentropy,所以这里使用2进制标签
    )
    return generator


# 识别测试的时候先修改图像尺寸,并将图片设置为[0,1]之间的数值,神经网络善于处理这样的数据,训练的时候也是用的这个范围
def format_pucture(file_path, shape):
    from keras.preprocessing import image
    img = image.load_img(file_path, target_size=shape)
    array = image.img_to_array(img)
    array = array.reshape((1,) + shape) / 255
    return array


# web 展示
def show(history_dict):
    loss = history_dict["loss"]
    accuracy = history_dict["acc"]
    # 验证曲线众坐标
    val_loss = history_dict["val_loss"]
    val_accuracy = history_dict["val_acc"]
    # 两条曲线的横坐标
    plt.plot(range(1, len(history_dict["loss"])), val_loss, color='blue', ls="--", label="val_loss")  # 实线
    plt.plot(range(1, len(history_dict["val_loss"])), loss, color='blue', ls="-", label="loss")  # 点
    plt.plot(range(1, len(history_dict["accuracy"])), accuracy, color='red', ls="-", label="accuracy")  # 点
    plt.plot(range(1, len(history_dict["val_accuracy"])), val_accuracy, color='red', ls="--",
             label="val_accuracy")  # 实线
    plt.xlabel("epochs")
    plt.legend()
    plt.show()


#
home = r"D:/data/train"
# 猫狗的训练图像
home_train = home + "/train/"
train_cats_dir = os.path.join(home_train, "cats")
train_dogs_dir = os.path.join(home_train, "dogs")
# 猫狗的校验图像
home_val = home + "/val/"
val_cats_dir = os.path.join(home_val, "cats")
val_dogs_dir = os.path.join(home_val, "dogs")

model = models.Sequential()  # 创建神经网络
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))  # 设置输入层为(150,150,3)的彩色图片,有64个网络节点
model.add(layers.MaxPool2D(2, 2))  # 将网络的输出内容聚合为之前的1/2
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPool2D(2, 2))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPool2D(2, 2))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPool2D(2, 2))
model.add(layers.Flatten())  # 铺平
model.add(layers.Dropout(0.1))  # 删除部分数据,防止过拟合
model.add(layers.Dense(512, activation='relu'))  # 设置有512个节点的网络层
model.add(layers.Dense(1, activation='sigmoid'))  # 设置一个节点的网络层使用sigmoid二分类
model.compile(optimizer=optimizers.RMSprop(lr=1e-4), loss='binary_crossentropy', metrics=['acc'])  # 定义损失函数

# 创建迭代器
train_generator = rotate(home_train)  # 训练集迭代器,下面有猫和狗的子目录,每一个目录都是一个标签
val_generator = format_pacture(home_val)  # 验证集迭代器,不需要设置旋转所以不用调用rotate

# 训练并返回迭代次数的损失与精度集合
history = model.fit_generator(  # 编译模型
    train_generator,  # 训练集迭代器
    steps_per_epoch=100,  # 设置一次迭代分成多少批次
    epochs=2,  # 设置迭代次数
    validation_data=val_generator,  # 验证集迭代器
    validation_steps=50  # 验证一批数据量
)
# 输出损失与精度,找到最佳迭代次数,用于重新训练,并防止过拟合
print(history)
# 保存训练好的模型model
writer_file(r"D:\PyProjects\MyTest\卷积神经网络猫狗识别\model1", model)  # 保存目录
# 读取之前保存的模型
model = read_file(r"D:\PyProjects\MyTest\卷积神经网络猫狗识别\identification")

pucture = format_pucture(r"C:\Users\admin\Desktop\pu\1.jpg", (150, 150, 3))
predict = model.predict(pucture)
print("识别的结果为:", predict)  # 猫和狗被识别为[0,1]之间的数据,越靠近边缘,分类越精确

 

 

 

 

 

深度训练web可视化

代码中嵌入callbacks回调值,用于保存训练日志

log = r"C:\log_dir"
import keras
callbacks = [
    keras.callbacks.TensorBoard(
        log_dir=log,
        histogram_freq=1,
        embeddings_freq=1
    )
]
# 训练并返回迭代次数的损失与精度集合
history = model.fit_generator(  # 编译模型
    train_generator,  # 训练集迭代器
    steps_per_epoch=500,  # 设置一次迭代分成多少批次
    epochs=100,  # 设置迭代次数
    validation_data=val_generator,  # 验证集迭代器
    validation_steps=500,  # 验证一批数据量
    callbacks=callbacks
)

1.创建日志目录log  启动python训练程序

2.启动tensorboard,并指定日志目录位置

tensorboard --logdir=C:\log_dir

3.访问localhost:6006查询训练过程