CNN卷积神经网络实战(1)

CNN卷积神经网络的由来:

CNN卷积神经网络是基于MLP模型上解决图片像素很大的时候,训练参数很多时,如何减少训练参数的数量的问题上衍生的。对于上述问题的解决办法是提取出图像中的关键信息(或关键轮廓),提取后再建立MLP模型进行训练。

图像卷积运算

图像卷积运算:

对图像矩阵与滤波器矩阵进行对应相乘然后再求和的运算,转化得到新的矩阵。

作用:可以快速定位图像中某些边缘特征

例如:图像矩阵A,滤波器矩阵F,A和F进行卷积后得到A*F

卷积神经网络的核心---寻找合适的轮廓过滤器

计算机根据样本图片,自动寻找合适的轮廓过滤器,对新的图片进行轮廓匹配

在有些情况,一个过滤器是不够的,需要寻找很多过滤器。比如彩色图像

RGB图像的卷积:对R/G/B 3个通道分别求卷积再相加。

卷积的目的是提取图像特征和轮廓

卷积后得到的训练数据参数,如何对训练数据参数进行进一步的减少,这里需要引入池化。

池化

池化的概念:按照一个固定规则对图像矩阵进行处理,其目的是为了将其转化成更低维度的矩阵。分为2种池化类型,最大法池化(Max-pooling)和平均值池化

池化的前提条件是保留核心信息的前提条件下,对训练参数进行降维。

卷积神经网络的概念

将卷积,池化,mlp先后连接在一起,组成卷积神经网络。

在卷积神经网络中还有一个激活函数,比如Relu函数:f(x) = max(x,0)

其作用是使部分神经元为0,防止过拟合,还有一种作用是有助于模型求解。

卷积神经网络的特征

  1. 参数共享:同一个过滤特征器可以适用于整张图片。
  2. 稀疏连接:生成的特征图片每个节点只与原图片中特定节点连接。

卷积神经网络实战

训练数据图片的预处理

复制代码
from keras.src.legacy.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
training_set = train_datagen.flow_from_directory('/Users/zc/PyCharmMiscProject/dataset/',target_size=(500,500),batch_size=32,class_mode='binary')
print(training_set.class_indices)

卷积神经网络模型的建立

复制代码
from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Flatten,Dense
model = Sequential()
#增加卷积层
model.add(Conv2D(32,(3,3),input_shape=(500,500,3),activation='relu'))
#增加池化层
model.add(MaxPool2D(pool_size=(2,2)))
#增加卷积层
model.add(Conv2D(32,(3,3),activation='relu'))
#增加池化层
model.add(MaxPool2D(pool_size=(2,2)))
#增加Flatten
model.add(Flatten())
#增加FC layer
model.add(Dense(units=128,activation='relu'))
model.add(Dense(units=1,activation='sigmoid'))
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
model.summary()

模型训练和模型评估

model.fit(training_set,epochs=8)
train_accuracy = model.evaluate(training_set)
print("train accuracy:",train_accuracy)

网上下载图片进行猫狗预测

pic_dog = '/Users/zc/PyCharmMiscProject/4.jpg'
pic_dog = load_img(pic_dog,target_size=(500,500))
pic_dog = img_to_array(pic_dog)
# print(pic_dog)
pic_dog = pic_dog/255
print(pic_dog)

pic_dog.reshape(1,500,500,3)
print(type(pic_dog))
print(pic_dog)
result1 = model.predict(pic_dog)
print(result1)

从网上下载图片进行预测,预测结果为none,没有到达实战的效果,现在暂时没有定位出具体哪里出现了问题,后续再定位。网上各位好友有思路请告诉我,非常感激。

相关推荐
小小管写大大码22 分钟前
AI重排序API:优化搜索相关性
数据库·人工智能
OG one.Z23 分钟前
07_朴素贝叶斯
人工智能·机器学习
青云交33 分钟前
Java 大视界 -- Java 大数据机器学习模型在智能客服多轮对话系统中的优化策略
深度学习·自然语言处理·智能客服·数据预处理·机器学习模型·java 大数据·多轮对话系统
智能相对论1 小时前
把AI装进OS、批量落地智慧服务,智能手机革命2.0来了
人工智能·智能手机
flying_13141 小时前
图神经网络分享系列-GAT(GRAPH ATTENTION NETWORKS) (一)
人工智能·神经网络·图神经网络·注意力机制·gnn·gat·图注意力网络
chxin140161 小时前
优化算法——动手学深度学习11
pytorch·python·深度学习
周末程序猿1 小时前
谈谈 `Claude Skills`
人工智能·ai编程
IT_陈寒2 小时前
5个Vue3性能优化技巧,让你的应用提速50% 🚀(附实测对比)
前端·人工智能·后端
kalvin_y_liu2 小时前
微软Agent Framework
人工智能·microsoft
ximy13352 小时前
AI服务器工作之显卡测试
人工智能