python - 使用 TensorFlow 和 Keras 进行图像分类

Question

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K


# dimensions of our images.
img_width, img_height = 150, 150


train_data_dir = 'flowers/train'
validation_data_dir = 'flowers/validation'
nb_train_samples = 2500
nb_validation_samples = 1000
epochs = 20
batch_size = 50


if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)


model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))


model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))


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


model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(5))
model.add(Activation('softmax'))


model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])


# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')


validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')


model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)


model.save_weights('first_flowers_try.h5')

我们训练了这个模型来对 5 个图像类别进行分类。我们为每个类别使用 500 张图像来训练模型，为每个类别使用 200 张图像来验证模型。我们在 tensorflow 后端使用了 keras。它使用的数据可以在以下位置下载: https://www.kaggle.com/alxmamaev/flowers-recognition

在我们的设置中，我们:

• 创建了一个数据/文件夹
• 在 data/中创建了 train/和 validation/子文件夹
• 在 train/和 validation/中创建了 daisy/、dandelion/、rose/、sunflower/和 tulip/子文件夹
• 将500张图片放入每个data/train/daisy, dandelion, rose, sunflower and tulip
• 将 200 张图像放入每个数据/验证/雏菊、蒲公英、玫瑰、向日葵和郁金香这样我们每个类都有 500 个训练示例，每个类有 200 个验证示例。

我们如何使用这个经过训练的模型预测/测试和识别另一幅图像？

Answer 1

您必须从保存它们的文件中model.load_weights()。然后你得到一个你需要预测的样本图像并调用 model.predict( [sample_image] ) 并使用返回的结果作为预测。