python cnn图像分类_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。

1.图像预处理

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。

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/​keras.io

2.实验

2.1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。

图像数据集

提取码：ffbphttps://pan.baidu.com/s/1D4EKsd3GpWXcjRnmJtFGXw​pan.baidu.com

2.2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

2.3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Home - Keras Documentation​keras.io

2.4Git链接代码ChileWang0228/DeepLearningTutorial​github.com

2.5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。

2.6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/​www.bilibili.com

3.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