在本文中，我們將構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，將對7種類型的數(shù)千個(gè)圖像進(jìn)行訓(xùn)練，即：鮮花，汽車，貓，馬，人，自行車，狗，然后能夠預(yù)測是否給定的圖像是貓，狗或人。

該CNN實(shí)現(xiàn)使用自己的圖像數(shù)據(jù)集涵蓋以下主題

• 加載和預(yù)處理自己的數(shù)據(jù)集
• 在Keras設(shè)計(jì)和訓(xùn)練CNN模型
• 繪制損失和準(zhǔn)確度曲線
• 評估模型和預(yù)測測試圖像的輸出類
• 可視化CNN的中間層輸出
• 繪制結(jié)果的混淆矩陣

加載和預(yù)處理自己的數(shù)據(jù)集：

我們將使用的數(shù)據(jù)集包括從互聯(lián)網(wǎng)收集并標(biāo)記的7個(gè)類。Python代碼如下;

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

輸出:

['bike', 'cars', 'cats', 'dogs', 'flowers', 'horses', 'human'] 

可視化一些圖像，我們可以看到圖像是128x128像素,Python代碼如下：

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

用自己的數(shù)據(jù)構(gòu)建一個(gè)簡單的卷積神經(jīng)網(wǎng)絡(luò) 

接下來，我們開始在Keras中設(shè)計(jì)和編譯CNN模型，Python實(shí)現(xiàn)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']) 

在擬合模型之后，我們可以在整個(gè)迭代過程中可視化訓(xùn)練和驗(yàn)證。

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

我們現(xiàn)在可以使用我們的模型使用以下代碼預(yù)測新圖像的新類：

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

正如我們在下面看到的，我們的模型正確地將圖像分類為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] 

這是一個(gè)混淆矩陣，沒有歸一化

我們現(xiàn)在可以保存模型和權(quán)重，以便在實(shí)際應(yīng)用程序中實(shí)現(xiàn)。