CNNネットワークによる画像認識

概要

第1ステップ取得データセット

展示前24枚の画像

すべてのデータセットを255で割る再構成画像

データをテストセット、トレーニングセット、検証セット

に分解する.

ボリュームニューラルネットワークの構築を開始する

モデルトレーニング開始!

テストセット予測

結果展示!!!

感言:

概要

**本明細書ではkeras(2.1.4)を使用します.その他のバージョンには穴があります.ネットワークフレームワークはCNNネットワークを構築し、cifar 10データセットに対して画像認識を行い、cifar 10はlabel付きの画像データセットであり、データセットの種類は非常に豊富で、ネットワーク性能をよく検査することができ、話は多くなく、直接本題**に入ることができる.

最初のステップでデータセットを取得

kerasでcifar 10データセットを直接ダウンロードできます(データセットが大きい場合は時間がかかる場合があります)

import keras
# cifar10 
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

展示前の24枚の画像

データセットの一部のサンプルを観察して、なぜか聞かないでください.プログラマーの厳格さが必要です.厳格!厳格!(大事なことは3回言う)

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(20,5))
for i in range(36):
    ax = fig.add_subplot(3, 12, i + 1, xticks=[], yticks=[])
    ax.imshow(np.squeeze(x_train[i]))

すべてのデータセットを255で割って画像を再構築

画像の単一画素の最大値が255であるため、255で割ると、各画素を0-1の間に縮めることができ、標準化と同様である

x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255

データをテストセット、トレーニングセット、検証セットに分解

from keras.utils import np_utils

#  one-hot
num_classes = len(np.unique(y_train))
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

#  
(x_train, x_valid) = x_train[5000:], x_train[:5000]
(y_train, y_valid) = y_train[5000:], y_train[:5000]

#  
print('x_train shape:', x_train.shape)

#  
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')
print(x_valid.shape[0], 'validation samples')

ボリュームニューラルネットワークの構築を開始

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
# ， 
model = Sequential()
# ， same ，relu 
model.add(Conv2D(filters=16, kernel_size=2, padding='same', activation='relu', 
                        input_shape=(32, 32, 3)))
# 
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=2))
# ， 
model.add(Dropout(0.3))
# 
model.add(Flatten())
model.add(Dense(500, activation='relu'))
model.add(Dropout(0.4))
model.add(Dense(10, activation='softmax'))
# 
model.summary()
# ， ， ， 
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', 
                  metrics=['accuracy'])

モデルトレーニング開始！

GPUのない仲間をかわいがる...

from keras.callbacks import ModelCheckpoint   

# 
checkpointer = ModelCheckpoint(filepath='model.weights.best.hdf5', verbose=1, 
                               save_best_only=True)
hist = model.fit(x_train, y_train, batch_size=32, epochs=100,
          validation_data=(x_valid, y_valid), callbacks=[checkpointer], 
          verbose=2, shuffle=True)

テストセット予測

ついに人の心を奮い立たせる時になって、自分で作った模型の性能を知りたくありませんか?待ってろ!

#  
y_hat = model.predict(x_test)

#  -- :(source: https://www.cs.toronto.edu/~kriz/cifar.html)
cifar10_labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

結果展示!!!

#  
fig = plt.figure(figsize=(20, 8))
for i, idx in enumerate(np.random.choice(x_test.shape[0], size=32, replace=False)):
    ax = fig.add_subplot(4, 8, i + 1, xticks=[], yticks=[])
    ax.imshow(np.squeeze(x_test[idx]))
    pred_idx = np.argmax(y_hat[idx])
    true_idx = np.argmax(y_test[idx])
    ax.set_title("{} ({})".format(cifar10_labels[pred_idx], cifar10_labels[true_idx]),
                 color=("green" if pred_idx == true_idx else "red"))

感想:

正直に言うと、画像認識の発展は長い過程であり、結果を通じて、私たちは確かに機械を困らせていることがわかります.あなたたちがその訓練結果を自分で見ているとは信じません.あなた自身が何なのか分からない写真があります.の応援ありがとうございました!バイバイ!
まだ終わっていません.GPUのない仲間はアマゾンに行って無料のGPUサーバーを申請した後、最後にデータセットを提供する先輩たちに敬意を表します!