CNNネットワークによる画像認識
22153 ワード
CNNネットワークによる画像認識
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!
import keras
# cifar10
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
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]))
x_train = x_train.astype('float32')/255
x_test = x_test.astype('float32')/255
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')
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'])
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)
#
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']
#
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"))