可思数据-人工智能媒体资讯平台！

在本文中，我们将构建一个卷积神经网络，将对7种类型的数千个图像进行训练，即：鲜花，汽车，猫，马，人，自行车，狗，然后能够预测是否给定的图像是猫，狗或人。

该CNN实现使用自己的图像数据集涵盖以下主题

• 加载和预处理自己的数据集
• 在Keras设计和训练CNN模型
• 绘制损失和准确度曲线
• 评估模型和预测测试图像的输出类
• 可视化CNN的中间层输出
• 绘制结果的混淆矩阵

加载和预处理自己的数据集：

我们将使用的数据集包括从互联网收集并标记的7个类。Python代码如下;

1. PATH = os.getcwd()   
2. #Define data path  
3. data_path = PATH + '/data'  
4. data_dir_list = os.listdir(data_path)  
5. data_dir_list 

输出:

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

可视化一些图像，我们可以看到图像是128x128像素,Python代码如下：

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

用自己的数据构建一个简单的卷积神经网络 

接下来，我们开始在Keras中设计和编译CNN模型，Python实现如下：

1. #Initializing the input shape  
2. input_shape = img_data[0].shape   
3. #Design CNN sequential model  
4. model = Sequential ([  
5.  Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape),  
6.  Convolution2D(32,3,3, activation = 'relu'),  
7.  MaxPooling2D(pool_size = (2,2)),  
8.  Dropout(0.5),   
9.  Convolution2D(64,3,3, activation = 'relu'),  
10.  MaxPooling2D(pool_size = (2,2)),  
11.  Dropout(0.5),   
12.  Flatten(),  
13.  Dense(64, activation = 'relu'),  
14.  Dropout(0.5),  
15.  Dense(num_classes, activation = 'softmax')  
16. ])   
17. #Compiling the model  
18. model.compile(  
19.  loss = 'categorical_crossentropy',   
20.  optimizer = 'adadelta',  
21.  metrics = ['accuracy']) 

在拟合模型之后，我们可以在整个迭代过程中可视化训练和验证。

1. ist = model.fit (X_train, y_train,  
2.  batch_size = 16,  
3.  nb_epoch = num_epoch,  
4.  verbose=1,  
5.  validation_data = (X_test, y_test)  
6.  ) 

我们现在可以使用我们的模型使用以下代码预测新图像的新类：

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

正如我们在下面看到的，我们的模型正确地将图像分类为class [0] - bike。

1. [[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02  
2. 3.0998811e-01 1.3129448e-02]]  
3. Image class: [0] 

这是一个混淆矩阵，没有归一化

我们现在可以保存模型和权重，以便在实际应用程序中实现。