人工智能 | CIFAR10卷积神经网络实践

声明：凡代码问题，欢迎私信或在评论区沟通。承蒙指正，一起成长！

目录

一、实验目的

二、算法步骤

 三、实验结果

---

一、实验目的

采用CIFAR10图像数据集中的猫狗图像集或kaggle的猫狗图像数据集对经典深度卷积神经网络模型VGG16进行分类识别训练和测试。

二、算法步骤

1、加载数据集：

        从本地地址path加载数据集(共有25000张jpg猫和狗的图像)中的图片，其中,取5000张作为训练集，再取5000张作为测试集，将所有加载的图片的大小格式化为 224 * 224像素：  

imgs = os.listdir(path)

    train_data = np.empty((5000, resize, resize, 3), dtype="int32")

    train_label = np.empty((5000,), dtype="int32")

    test_data = np.empty((5000, resize, resize, 3), dtype="int32")

    test_label = np.empty((5000,), dtype="int32")

    for i in range(5000):

        if i % 2:

            train_data[i] = cv2.resize(cv2.imread(path + '/' + 'dog.' + str(i) + '.jpg'), (resize, resize))

            train_label[i] = 1

        else:

            train_data[i] = cv2.resize(cv2.imread(path + '/' + 'cat.' + str(i) + '.jpg'), (resize, resize))

            train_label[i] = 0

#设置训练集和测试集的标签，偶数命名为猫,标签=0；奇数命名为狗,标签=1.

for i in range(5000, 10000):

j = i - 5000

        if i % 2:

            test_data[j] = cv2.resize(cv2.imread(path + '/' + 'dog.' + str(i) + '.jpg'), (resize, resize))

            test_label[j] = 1

        else:

            test_data[j] = cv2.resize(cv2.imread(path + '/' + 'cat.' + str(i) + '.jpg'), (resize, resize))

            test_label[j] = 0

构建并训练VGG数据模型：

构建VGG模型(代码)：

 # layer1

    model = Sequential()

    model.add(Conv2D(64, (3, 3), padding='same',input_shape=(224, 224, 3), kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'));model.add(BatchNormalization())

    model.add(Dropout(0.3))

 # layer2

    model.add(Conv2D(64, (3, 3), padding='same',kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu')); model.add(BatchNormalization())

    model.add(MaxPooling2D(pool_size=(2, 2)))

# layer3

    model.add(Conv2D(128, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu')); model.add(BatchNormalization())

    model.add(Dropout(0.4))

# layer4

    model.add(Conv2D(128, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(MaxPooling2D(pool_size=(2, 2)))

# layer5

    model.add(Conv2D(256, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(Dropout(0.4))

# layer6

    model.add(Conv2D(256, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(Dropout(0.4))

# layer7

    model.add(Conv2D(256, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(MaxPooling2D(pool_size=(2, 2)))

# layer8

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization())

    model.add(Dropout(0.4))

# layer9

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(Dropout(0.4))

# layer10

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization()); model.add(MaxPooling2D(pool_size=(2, 2)))

# layer11

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization());model.add(Dropout(0.4))

# layer12

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'))

    model.add(BatchNormalization());model.add(Dropout(0.4))

# layer13

    model.add(Conv2D(512, (3, 3), padding='same', kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'));model.add(BatchNormalization())

    model.add(MaxPooling2D(pool_size=(2, 2)));model.add(Dropout(0.5))

# layer14

    model.add(Flatten())

    model.add(Dense(512, kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'));model.add(BatchNormalization())

# layer15

    model.add(Dense(512, kernel_regularizer=regularizers.l2(weight_decay)))

    model.add(Activation('relu'));  model.add(BatchNormalization())

# layer16

model.add(Dropout(0.5));model.add(Dense(2))

model.add(Activation('softmax'))

3、VGG模型测试

从测试集中选取10张图像，选取的图像中猫(4张)狗(6张)，比例为2：3，进行测试:

def readimg(i): # 测试函数：参数i为图片名；

img = cv2.imread(str(i) + '-.jpg')

# 初始化每一张图片img的格式  ……  

    predicted = load_model.predict(img)  # 输出预测结果；

# predicted包括两个预测数据：分别是当前图片是猫的准确率与是狗的准确率；

if(jundge(predicted)==1): res ='pre:dog' #res为标题中预测值；

     else: res ='pre:cat'

    title = str(i)+'.jpg,'+ res #图片标题

    plt.subplot(3, 4,i+1 ) # 行，列，索引；

    plt.imshow(img) # 将图片i.jpg加入到图相框中；

    ……

        for i in range(10): #选取10张猫狗图片，分别为4张和6张；

            readimg(i)  #10张图片循环测试；

        plt.show()  #显示最终的图相框；

 三、实验结果

1. 输出的10张测试图像：

2. 测试准确率的截屏显示:

 

3. 结果分析：

本次10张测试图片文件名依次为0.jpg、1.jpg …… 9.jpg，其中，0号、3号、8号和9号是猫的图片，其余6张是狗的图片；

通过训练出的vgg16dogcat.h5模型数据对以上10张图片进行识别分析，识别结果依次为：cat、dog 、dog、cat、dog、cat、dog、dog、cat和cat；以上分析中，除5号图片识别结果错误之外，其他9张图均识别正确；

错误结果分析：5号识别错误。由于5号图片的狗有很多和猫图像相似的特征，如毛发的像素分布情况等。当某一特征的权值较大时，会导致整体识别结果改变，故该VGG模型将其识别成了猫，其中，预测结果与猫的相似度为0.732，与狗的相似度为0.268；

综上数据，整体识别准确率 = 9/10 =90%.