• 在庆祝海南建省办经济特区30周年大会上的讲话 2019-10-07
  • 俄罗斯世界杯F组:球迷风采 2019-09-24
  • 彭于晏廖凡曝姜文“精神洁癖” 2019-09-24
  • 苏州大学研究生支教团网上众筹资助留守儿童 2019-09-23
  • 湖北政务微信排行榜第187期出炉 交警类公号表现亮眼 2019-09-19
  • 【奋斗吧2018】风电检修工——荒原上的“听风者” 2019-08-31
  • 母亲节又送康乃馨?送这样的健康佳品才走心 2019-08-30
  • [酷]此文已经把马克思理论、边际理论、人类需求层次理论、生物学理论、心理学理论、社会管理学理论等理论在哲学层面完美融合了! 2019-08-26
  • 兰芝雪纱修颜气垫隔离霜 2019-07-27
  • “鹊桥”中继星顺利进入使命轨道运行 2019-07-27
  • 超越舆情管理的360度信息决策 2019-07-22
  • 视频陶然居变形记:从路边小饭馆到全国餐饮十强 2019-07-21
  • 防震减灾事业发展的重要理论成果 2019-07-20
  • 珠宝配美人!李冰冰大片衣着性感秀身段 2019-07-20
  • 机器人也能拥有“情商”?这个可以有 2019-07-19
  • 香港赛马会投注:Python通过TensorFlow卷积神经网络实现猫狗识别

     更新时间:2019年03月14日 10:28:12   作者:双斜杠少年   我要评论
    今天小编就为大家分享一篇关于Python通过TensorFlow卷积神经网络实现猫狗识别,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧

    香港赛马会网站惠泽社绝杀八码 www.mwcrz.tw 这份数据集来源于Kaggle,数据集有12500只猫和12500只狗。在这里简单介绍下整体思路

    1. 处理数据
    2. 设计神经网络
    3. 进行训练测试

    1. 数据处理

    将图片数据处理为 tf 能够识别的数据格式,并将数据设计批次。

    • 第一步get_files() 方法读取图片,然后根据图片名,添加猫狗 label,然后再将 image和label 放到 数组中,打乱顺序返回
    • 将第一步处理好的图片 和label 数组 转化为 tensorflow 能够识别的格式,然后将图片裁剪和补充进行标准化处理,分批次返回。

    新建数据处理文件 ,文件名 input_data.py

    import tensorflow as tf
    import os 
    import numpy as np
    def get_files(file_dir):
     cats = []
     label_cats = []
     dogs = []
     label_dogs = []
     for file in os.listdir(file_dir):
     name = file.split(sep='.')
     if 'cat' in name[0]:
     cats.append(file_dir + file)
     label_cats.append(0)
     else:
     if 'dog' in name[0]:
     dogs.append(file_dir + file)
     label_dogs.append(1)
     image_list = np.hstack((cats,dogs))
     label_list = np.hstack((label_cats,label_dogs))
     # print('There are %d cats\nThere are %d dogs' %(len(cats), len(dogs)))
     # 多个种类分别的时候需要把多个种类放在一起,打乱顺序,这里不需要
     # 把标签和图片都放倒一个 temp 中 然后打乱顺序,然后取出来
     temp = np.array([image_list,label_list])
     temp = temp.transpose()
     # 打乱顺序
     np.random.shuffle(temp)
     # 取出第一个元素作为 image 第二个元素作为 label
     image_list = list(temp[:,0])
     label_list = list(temp[:,1])
     label_list = [int(i) for i in label_list] 
     return image_list,label_list
    # 测试 get_files
    # imgs , label = get_files('/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/')
    # for i in imgs:
    # print("img:",i)
    # for i in label:
    # print('label:',i)
    # 测试 get_files end
    # image_W ,image_H 指定图片大小,batch_size 每批读取的个数 ,capacity队列中 最多容纳元素的个数
    def get_batch(image,label,image_W,image_H,batch_size,capacity):
     # 转换数据为 ts 能识别的格式
     image = tf.cast(image,tf.string)
     label = tf.cast(label, tf.int32)
     # 将image 和 label 放倒队列里 
     input_queue = tf.train.slice_input_producer([image,label])
     label = input_queue[1]
     # 读取图片的全部信息
     image_contents = tf.read_file(input_queue[0])
     # 把图片解码,channels =3 为彩色图片, r,g ,b 黑白图片为 1 ,也可以理解为图片的厚度
     image = tf.image.decode_jpeg(image_contents,channels =3)
     # 将图片以图片中心进行裁剪或者扩充为 指定的image_W,image_H
     image = tf.image.resize_image_with_crop_or_pad(image, image_W, image_H)
     # 对数据进行标准化,标准化,就是减去它的均值,除以他的方差
     image = tf.image.per_image_standardization(image)
     # 生成批次 num_threads 有多少个线程根据电脑配置设置 capacity 队列中 最多容纳图片的个数 tf.train.shuffle_batch 打乱顺序,
     image_batch, label_batch = tf.train.batch([image, label],batch_size = batch_size, num_threads = 64, capacity = capacity)
     # 重新定义下 label_batch 的形状
     label_batch = tf.reshape(label_batch , [batch_size])
     # 转化图片
     image_batch = tf.cast(image_batch,tf.float32)
     return image_batch, label_batch
    # test get_batch
    # import matplotlib.pyplot as plt
    # BATCH_SIZE = 2
    # CAPACITY = 256 
    # IMG_W = 208
    # IMG_H = 208
    # train_dir = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/testImg/'
    # image_list, label_list = get_files(train_dir)
    # image_batch, label_batch = get_batch(image_list, label_list, IMG_W, IMG_H, BATCH_SIZE, CAPACITY)
    # with tf.Session() as sess:
    # i = 0
    # # Coordinator 和 start_queue_runners 监控 queue 的状态,不停的入队出队
    # coord = tf.train.Coordinator()
    # threads = tf.train.start_queue_runners(coord=coord)
    # # coord.should_stop() 返回 true 时也就是 数据读完了应该调用 coord.request_stop()
    # try: 
    #  while not coord.should_stop() and i<1:
    #   # 测试一个步
    #   img, label = sess.run([image_batch, label_batch])
    #   for j in np.arange(BATCH_SIZE):
    #    print('label: %d' %label[j])
    #    # 因为是个4D 的数据所以第一个为 索引 其他的为冒号就行了
    #    plt.imshow(img[j,:,:,:])
    #    plt.show()
    #   i+=1
    # # 队列中没有数据
    # except tf.errors.OutOfRangeError:
    #  print('done!')
    # finally:
    #  coord.request_stop()
    # coord.join(threads)
     # sess.close()

    2. 设计神经网络

    利用卷积神经网路处理,网络结构为

    # conv1 卷积层 1
    # pooling1_lrn 池化层 1
    # conv2 卷积层 2
    # pooling2_lrn 池化层 2
    # local3 全连接层 1
    # local4 全连接层 2
    # softmax 全连接层 3

    新建神经网络文件 ,文件名 model.py

    #coding=utf-8 
    import tensorflow as tf 
    def inference(images, batch_size, n_classes): 
     with tf.variable_scope('conv1') as scope: 
      # 卷积盒的为 3*3 的卷积盒,图片厚度是3,输出是16个featuremap
      weights = tf.get_variable('weights', 
             shape=[3, 3, 3, 16], 
             dtype=tf.float32, 
             initializer=tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32)) 
      biases = tf.get_variable('biases', 
             shape=[16], 
             dtype=tf.float32, 
             initializer=tf.constant_initializer(0.1)) 
      conv = tf.nn.conv2d(images, weights, strides=[1, 1, 1, 1], padding='SAME') 
      pre_activation = tf.nn.bias_add(conv, biases) 
      conv1 = tf.nn.relu(pre_activation, name=scope.name) 
     with tf.variable_scope('pooling1_lrn') as scope: 
       pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME', name='pooling1') 
       norm1 = tf.nn.lrn(pool1, depth_radius=4, bias=1.0, alpha=0.001 / 9.0, beta=0.75, name='norm1') 
     with tf.variable_scope('conv2') as scope: 
        weights = tf.get_variable('weights', 
               shape=[3, 3, 16, 16], 
               dtype=tf.float32, 
               initializer=tf.truncated_normal_initializer(stddev=0.1, dtype=tf.float32)) 
        biases = tf.get_variable('biases', 
               shape=[16], 
               dtype=tf.float32, 
               initializer=tf.constant_initializer(0.1)) 
        conv = tf.nn.conv2d(norm1, weights, strides=[1, 1, 1, 1], padding='SAME') 
        pre_activation = tf.nn.bias_add(conv, biases) 
        conv2 = tf.nn.relu(pre_activation, name='conv2') 
     # pool2 and norm2 
     with tf.variable_scope('pooling2_lrn') as scope: 
      norm2 = tf.nn.lrn(conv2, depth_radius=4, bias=1.0, alpha=0.001 / 9.0, beta=0.75, name='norm2') 
      pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 1, 1, 1], padding='SAME', name='pooling2') 
     with tf.variable_scope('local3') as scope: 
      reshape = tf.reshape(pool2, shape=[batch_size, -1]) 
      dim = reshape.get_shape()[1].value 
      weights = tf.get_variable('weights', 
             shape=[dim, 128], 
             dtype=tf.float32, 
             initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32)) 
      biases = tf.get_variable('biases', 
             shape=[128], 
             dtype=tf.float32, 
             initializer=tf.constant_initializer(0.1)) 
     local3 = tf.nn.relu(tf.matmul(reshape, weights) + biases, name=scope.name) 
     # local4 
     with tf.variable_scope('local4') as scope: 
      weights = tf.get_variable('weights', 
             shape=[128, 128], 
             dtype=tf.float32, 
             initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32)) 
      biases = tf.get_variable('biases', 
             shape=[128], 
             dtype=tf.float32, 
             initializer=tf.constant_initializer(0.1)) 
      local4 = tf.nn.relu(tf.matmul(local3, weights) + biases, name='local4') 
     # softmax 
     with tf.variable_scope('softmax_linear') as scope: 
      weights = tf.get_variable('softmax_linear', 
             shape=[128, n_classes], 
             dtype=tf.float32, 
             initializer=tf.truncated_normal_initializer(stddev=0.005, dtype=tf.float32)) 
      biases = tf.get_variable('biases', 
             shape=[n_classes], 
             dtype=tf.float32, 
             initializer=tf.constant_initializer(0.1)) 
      softmax_linear = tf.add(tf.matmul(local4, weights), biases, name='softmax_linear') 
     return softmax_linear 
    def losses(logits, labels): 
     with tf.variable_scope('loss') as scope: 
      cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits \
          (logits=logits, labels=labels, name='xentropy_per_example') 
      loss = tf.reduce_mean(cross_entropy, name='loss') 
      tf.summary.scalar(scope.name + '/loss', loss) 
     return loss 
    def trainning(loss, learning_rate): 
     with tf.name_scope('optimizer'): 
      optimizer = tf.train.AdamOptimizer(learning_rate= learning_rate) 
      global_step = tf.Variable(0, name='global_step', trainable=False) 
      train_op = optimizer.minimize(loss, global_step= global_step) 
     return train_op 
    def evaluation(logits, labels): 
     with tf.variable_scope('accuracy') as scope: 
      correct = tf.nn.in_top_k(logits, labels, 1) 
      correct = tf.cast(correct, tf.float16) 
      accuracy = tf.reduce_mean(correct) 
      tf.summary.scalar(scope.name + '/accuracy', accuracy) 
     return accuracy
    

    3. 训练数据,并将训练的模型存储

    import os 
    import numpy as np 
    import tensorflow as tf 
    import input_data  
    import model 
    N_CLASSES = 2 # 2个输出神经元,[1,0] 或者 [0,1]猫和狗的概率
    IMG_W = 208 # 重新定义图片的大小,图片如果过大则训练比较慢 
    IMG_H = 208 
    BATCH_SIZE = 32 #每批数据的大小
    CAPACITY = 256 
    MAX_STEP = 15000 # 训练的步数,应当 >= 10000
    learning_rate = 0.0001 # 学习率,建议刚开始的 learning_rate <= 0.0001
    def run_training(): 
     # 数据集
     train_dir = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/img/' #My dir--20170727-csq 
     #logs_train_dir 存放训练模型的过程的数据,在tensorboard 中查看 
     logs_train_dir = '/Users/yangyibo/GitWork/pythonLean/AI/猫狗识别/saveNet/' 
     # 获取图片和标签集
     train, train_label = input_data.get_files(train_dir) 
     # 生成批次
     train_batch, train_label_batch = input_data.get_batch(train, 
                   train_label, 
                   IMG_W, 
                   IMG_H, 
                   BATCH_SIZE, 
                   CAPACITY)
     # 进入模型
     train_logits = model.inference(train_batch, BATCH_SIZE, N_CLASSES) 
     # 获取 loss 
     train_loss = model.losses(train_logits, train_label_batch)
     # 训练 
     train_op = model.trainning(train_loss, learning_rate)
     # 获取准确率 
     train__acc = model.evaluation(train_logits, train_label_batch) 
     # 合并 summary
     summary_op = tf.summary.merge_all() 
     sess = tf.Session()
     # 保存summary
     train_writer = tf.summary.FileWriter(logs_train_dir, sess.graph) 
     saver = tf.train.Saver() 
     sess.run(tf.global_variables_initializer()) 
     coord = tf.train.Coordinator() 
     threads = tf.train.start_queue_runners(sess=sess, coord=coord) 
     try: 
      for step in np.arange(MAX_STEP): 
       if coord.should_stop(): 
         break 
       _, tra_loss, tra_acc = sess.run([train_op, train_loss, train__acc]) 
       if step % 50 == 0: 
        print('Step %d, train loss = %.2f, train accuracy = %.2f%%' %(step, tra_loss, tra_acc*100.0)) 
        summary_str = sess.run(summary_op) 
        train_writer.add_summary(summary_str, step) 
       if step % 2000 == 0 or (step + 1) == MAX_STEP: 
        # 每隔2000步保存一下模型,模型保存在 checkpoint_path 中
        checkpoint_path = os.path.join(logs_train_dir, 'model.ckpt') 
        saver.save(sess, checkpoint_path, global_step=step) 
     except tf.errors.OutOfRangeError: 
      print('Done training -- epoch limit reached') 
     finally: 
      coord.request_stop()
     coord.join(threads) 
     sess.close() 
    # train
    run_training()

    关于保存的模型怎么使用将在下一篇文章中展示。

    TensorFlow 卷积神经网络之使用训练好的模型识别猫狗图片

    如果需要训练数据集可以评论留下联系方式。

    原文完整代码地址:

    https://github.com/527515025/My-TensorFlow-tutorials/tree/master/猫狗识别

    欢迎 star 欢迎提问。

    总结

    以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对脚本之家的支持。如果你想了解更多相关内容请查看下面相关链接

    相关文章

    最新评论

  • 在庆祝海南建省办经济特区30周年大会上的讲话 2019-10-07
  • 俄罗斯世界杯F组:球迷风采 2019-09-24
  • 彭于晏廖凡曝姜文“精神洁癖” 2019-09-24
  • 苏州大学研究生支教团网上众筹资助留守儿童 2019-09-23
  • 湖北政务微信排行榜第187期出炉 交警类公号表现亮眼 2019-09-19
  • 【奋斗吧2018】风电检修工——荒原上的“听风者” 2019-08-31
  • 母亲节又送康乃馨?送这样的健康佳品才走心 2019-08-30
  • [酷]此文已经把马克思理论、边际理论、人类需求层次理论、生物学理论、心理学理论、社会管理学理论等理论在哲学层面完美融合了! 2019-08-26
  • 兰芝雪纱修颜气垫隔离霜 2019-07-27
  • “鹊桥”中继星顺利进入使命轨道运行 2019-07-27
  • 超越舆情管理的360度信息决策 2019-07-22
  • 视频陶然居变形记:从路边小饭馆到全国餐饮十强 2019-07-21
  • 防震减灾事业发展的重要理论成果 2019-07-20
  • 珠宝配美人!李冰冰大片衣着性感秀身段 2019-07-20
  • 机器人也能拥有“情商”?这个可以有 2019-07-19
  • 彩哥计划官方 时时彩后一100稳赚lm0 澳门赌大小玩法有何猫腻 078彩票app安卓 众乐游棋牌 mg藏分不让出款 三公棋牌游戏安卓版下载 重庆时时预测计划 五分定位胆个位稳赚公式 哪些基金稳赚不赔