华为交换机学习

神经网络实现猫狗识别

神经网络实现猫狗识别

• 卷积神经网络
• 卷积

1. 就是一种运算，是一种矩阵降维的运算
2. 为了解决卷积运算中，中心元素的运算比重远大于边缘元素的情况，补白
	补白可以降低中间元素参与运算的比重。
3. 步长

• 池化

1. 最大池化层：
	选取一个过滤器去过滤出一个区域的最大值
2. 平均池化层
	选取一个过滤器去过滤出一个区域的平均值

AlexNet

227 * 227 * 3
1. 卷积池化层
	卷积：96个卷积核，卷积核大小11 * 11 * 3，步长为4，补白为0
	池化：最大池化层，过滤器的大小是3 * 3 ，步长为2
2. 卷积池化层
	卷积：256个卷积核，卷积核大小5 * 5 * 3，步长为1，补白为2
	池化：最大池化层，过滤器大小3 * 3 ，步长为2
3. 卷积层
	卷积：384个卷积核，卷积核大小3 * 3 * 3 ，步长为1，补白为1
4. 卷积层
	卷积：384个卷积核，卷积核大小3 * 3 * 3，步长为1，补白为1
5. 卷积池化层
	卷积：256个卷积核，卷积核大小3 * 3 * 3，步长为1，补白为1
	池化：最大池化层，过滤器大小3 * 3，步长为2
6. 全连接层
	4096个神经元，激活函数ReLu
7. 全连接层
	4096个神经元，激活函数ReLu
8. 全连接层
	2个神经元

Keras

Keras本身是封装了TensorFlow的一个高阶框架，支持快速实验。

安装，如果安装了TensorFlow，在安装keras的时候可能会出错，把TensorFlow都有东西全部删除。
直接pip install keras就可以了

# @Time : 2020/6/15 8:34 
# @Author : XX
# @File : 猫狗识别.py 
# @Software: PyCharm
import os
import cv2
import numpy as np
from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Dense,Flatten
from keras.utils import np_utils
import keras.losses as losses

# 1. 读取数据
def load_datas(dir_path):
    # 构建特征矩阵和目标向量
    datas = []
    y = []
    for image_name in os.listdir(dir_path):
        # 读取图片,构建特征矩阵
        datas.append(cv2.resize(cv2.imread(os.path.join(dir_path, image_name)),(227,227)))
        # 构建目标向量
        if image_name.split('.')[0]=='cat':
            y.append(1)
        else:
            y.append(0)
        # 对y进行独热(ont-hot)编码
    # y = np_utils.to_categorical(y)
    return np.array(datas),np.array(y)


def create_model(X,Y):
    # 1. 构建一个序列模型(空壳)
    # 卷积层：filters：卷积核个数，kernel_size卷积核大小，strides步长，padding补白
    # 池化层：pool_size过滤器大小，strides步长
    # 全连接层Dense：units神经元个数，activation激活函数
    model = Sequential()
    # 1. 卷积池化层
	# 卷积：96个卷积核，卷积核大小11 * 11 * 3，步长为4，补白为0
    model.add(Conv2D(filters=96,kernel_size=(11,11),strides=(4,4)))
	# 池化：最大池化层，过滤器的大小是3 * 3 ，步长为2
    model.add(MaxPool2D(pool_size=(3,3),strides=(2,2)))
    # 2. 卷积池化层
    #     卷积：256个卷积核，卷积核大小5 * 5 * 3，步长为1，补白为2
    model.add(Conv2D(filters=256,kernel_size=(5,5),padding='same'))
    #     池化：最大池化层，过滤器大小3 * 3 ，步长为2
    model.add(MaxPool2D(pool_size=(3,3),strides=(2,2)))
    # 3. 卷积层
    #     卷积：384个卷积核，卷积核大小3 * 3 * 3 ，步长为1，补白为1
    model.add(Conv2D(filters=384,kernel_size=(3,3)))
    # 4. 卷积层
    #     卷积：384个卷积核，卷积核大小3 * 3 * 3，步长为1，补白为1
    model.add(Conv2D(filters=384,kernel_size=(3,3)))
    # 5. 卷积池化层
    #     卷积：256个卷积核，卷积核大小3 * 3 * 3，步长为1，补白为1
    model.add(Conv2D(filters=256,kernel_size=(3,3)))
    #     池化：最大池化层，过滤器大小3 * 3，步长为2
    model.add(MaxPool2D(pool_size=(3,3),strides=(2,2)))
    # 6. 全连接层
    #     4096个神经元，激活函数ReLu
    model.add(Flatten())
    model.add(Dense(units=4096,activation='relu'))
    # 7. 全连接层
    #     4096个神经元，激活函数ReLu
    model.add(Dense(units=4096, activation='relu'))
    # 8. 全连接层
    #     2个神经元,激活函数使用sigmoid或者softmax
    model.add(Dense(units=2, activation='softmax'))
    # 对模型进行编译
    model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
    model.fit(X,Y,epochs=50)


if __name__ == '__main__':
    # 不要用中文路径！！！！！
    dir_path = r'G:\AI\kaggle\train2'
    X,Y = load_datas(dir_path)
    X = X/255
    create_model(X,Y)