人工智能学习45-Incep网络

人工智能学习概述—快手视频
人工智能学习45-Incep网络—快手视频
人工智能学习46-Incep网络—快手视频
人工智能学习47-Incep网络—快手视频
人工智能学习48-Incep网络—快手视频
人工智能学习49-Incep网络—快手视频
人工智能学习50-Incep总结—快手视频

10类猕猴样本文件

通过网盘分享的文件：monkey10_species.zip
链接: https://pan.baidu.com/s/1faHJMdUasnlGUX_FVPgJNg 提取码: 5abn

InceptionV3 训练 10 类猕猴识别示例

#导入inceptionV3 类库 
from keras.applications.inception_v3 import InceptionV3, preprocess_input 
#keras.preprocessing.image 导入图像增强工具 
from keras.preprocessing.image import ImageDataGenerator 
#从keras.layers 导入全连接层，平均池化层 
from keras.layers import Dense, GlobalAveragePooling2D 
#从keras导入模型类 
from keras import Sequential, Model 
#导入图形处理类库 
import matplotlib.pyplot as plt 
#引入numpy类库，方便矩阵操作 
import numpy as np 
#导入OS模块，方便操作文件与目录 
import os 
#避免多库依赖警告信息 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' 
#设置神经网络模型存储目录，当前python源文件所在目录上一级下的saved_models目录 
save_dir = '../saved_models' 
#如果目录saved_models不存在，新建此目录 
if not os.path.isdir(save_dir): 
os.makedirs(save_dir) 
#神经网络模块名称 
model_name = 'finetune_incepV3_trained_model.h5' 
#全连接层向量大小 
fc_size = 1023 
#输入图像高度(单位：像素) 
height = 299 
#输入图像宽度(单位：像素) 
width = 299 
#InceptionV3 类库使用已经训练好的模型进行迁移学习，增加一种新的动物，在原模型基
础上,训练新模型可以识别新增加的动物,原模型可以识别10种猕猴 
num_classes = 11 
#定义添加新全连接层的方法 
def add_new_last_layer(base_model, nb_classes): 
x = base_model.output 
x = GlobalAveragePooling2D()(x) 
x = Dense(fc_size, activation='relu')(x) 
pred = Dense(nb_classes, activation='softmax')(x) 
model = Model(inputs=base_model.input, outputs=pred) 
return model 
#定义编译模型的方法 
def setup_to_transfer_learn(model, base_model): 
for layer in base_model.layers: 
layer.trainable = False 
model.compile(optimizer='rmsprop', 
metrics=['acc']) 
#声明InceptionV3 模型，权重使用imagenet 
loss='categorical_crossentropy', 
base_model = InceptionV3(weights='imagenet', include_top=False) 
#调用方法添加新全连接层 
incep_model = add_new_last_layer(base_model, num_classes) 
#调用方法编译模型 
setup_to_transfer_learn(incep_model, base_model) 
#显示模型汇总信息 
incep_model.summary() 
#定义训练数据集增强类 
train_datagen = ImageDataGenerator( 
preprocessing_function=preprocess_input, #使用 VGG16 定义输入函数 
rotation_range=40, #表示图像在水平上随机移动的范围 
width_shift_range=0.2, #表示图像在水平上随机移动的范围 
height_shift_range=0.2, # 表示图像在垂直方向上随机移动的范围 
shear_range=0.2, # 随机剪切变换的角度范围，图像将随机剪切0到20度的角度 
zoom_range=0.2, # 随机缩放的范围，图像将随机缩放90%到110% 
horizontal_flip=True, # 是否进行水平翻转 
fill_mode='nearest' #当变换导致某些像素需要被填充时使用的填充方法，'nearest'
表示使用最近的像素进行填充 
) 
#定义验证数据集增强类 
valid_datagen = ImageDataGenerator( 
preprocessing_function=preprocess_input 
) 
#小批量训练模式下每次训练样本数量 
batch_size = 32 
#训练集数据增强生成器 
train_generator = train_datagen.flow_from_directory( 
"../monkey10_species/training/training", #训练图片所在目录 
target_size=(height, width), #图片尺寸大小 
batch_size=batch_size, #每次训练样品批量 
seed=10, # 指定随机数种子，用于洗牌操作的随机性 
shuffle=True, #是否对样品数据洗牌 
class_mode='categorical' #指定标签的类型，可以是"categorical"（多分类问题）、
"binary"（二分类问题）、"sparse"（稀疏标签问题）或"None"（无标签问题） 
) 
#训练集样品总量 
train_num = train_generator.samples 
valid_generator = valid_datagen.flow_from_directory( 
"../monkey10_species/validation/validation", #训练图片所在目录 
target_size=(height, width), #图片尺寸大小 
batch_size=batch_size, #每次训练样品批量 
seed=10, # 指定随机数种子，用于洗牌操作的随机性 
shuffle=False, #是否对样品数据洗牌 
class_mode='categorical' #指定标签的类型，可以是"categorical"（多分类问题）、
"binary"（二分类问题）、"sparse"（稀疏标签问题）或"None"（无标签问题） 
) 
#验证集样品总量 
valid_num = valid_generator.samples 
#开始训练模型，匹配训练集与标注真实数值映射关系 
history = incep_model.fit_generator( 
train_generator, #训练集生成器 
steps_per_epoch=train_num // batch_size, # 定义了一个 epoch 中应抽取的步数（批
次数量） 
epochs=5, #训练次数 
validation_data=valid_generator, #测试集生成器 
validation_steps=valid_num // batch_size 
) 
# 保存模型 
model_path = os.path.join(save_dir, model_name) 
incep_model.save(model_path) 
print('Model save as file %s' % model_path) 
#从history 对象中获取准确度核损失统计信息 
acc = history.history['acc'] #训练集准确度 
val_acc = history.history['val_acc'] #验证集准确度 
loss = history.history['loss'] #训练集损失 
val_loss = history.history['val_loss'] #验证集损失 
epochs = range(1, len(acc) + 1) 
#训练集准确度曲线 
plt.plot(epochs, acc, 'bo', label='Train Accuracy') 
#验证集准确度曲线 
plt.plot(epochs, val_acc, 'b', label='Validation Accuracy') 
plt.title('Train Accuracy') 
plt.legend() 
#显示图形窗口 
plt.show() 
#训练集损失曲线 
plt.plot(epochs, loss, 'ro', label='Train Loss') 
#验证集损失曲线 
plt.plot(epochs, val_loss, 'r', label='Validation Loss') 
plt.title('Train Loss') 
plt.legend() 
#显示图形窗口 
plt.show() 

运行结果：

InceptionV3 预测 10 类猕猴示例

#导入InceptionV3 类库 
from keras.applications.inception_v3 import preprocess_input 
#导入图像处理库 
from keras.preprocessing import image 
#导入装载模型方法load_model 
from keras.saving.save import load_model 
#引入numpy类库，方便矩阵操作 
import numpy as np 
#引入sys类库 
import sys 
#导入OS模块，方便操作文件与目录 
import os 
#避免多库依赖警告信息 
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' 
#设置神经网络模型存储目录，当前python源文件所在目录上一级下的saved_models目录 
save_dir = '../saved_models' 
#神经网络模块名称 
model_name = 'finetune_incepV3_trained_model.h5' 
#神经网络模块所在目录 
model_path = os.path.join(save_dir, model_name) 
num_classes = 11 
#输入图像高度(单位：像素) 
height = 299 
#输入图像宽度(单位：像素) 
width = 299 
#定义输入图片变量 
img_path = None 
#命令行输入参数数组 
arguments = sys.argv[1:2] 
#如果数组为空，img_path设置为默认图片 
if len(arguments) == 0: 
img_path = '../cat.jpg' 
else: 
img_path = arguments[0] #第一个参数为图片文件 
#由图片文件名称转载图片数据 
img = image.image_utils.load_img(img_path, target_size=(height, width)) 
#图片数据转化为数组 
x = image.image_utils.img_to_array(img) 
#扩展图片数组维度，第一维扩展维图片样本数量 
x = np.expand_dims(x, axis=0) 
#由InceptionV3 提供数据载入函数装载图片数据 
x = preprocess_input(x) 
#装载神经网络模型 
model = load_model(model_path) 
#模型预测输入图片的动物分类 
pred = model.predict(x) 
#显示预测概率最大的分类 
print(pred.argmax())