在本次博客中,我将讲述如何利用keras搭建一个卷积神经网络用于自己图像数据分类。
为什么使用keras,对于深度学习初学者来说，keras很简单，模块化的方法使得搭建卷积神经网络变得简单。
本篇博客不会涉及具体的深度学习和卷积神经网络的基础知识,具体理论知识会在稍后的博客中涉及。
导入必要的库和模块
$ import numpy as np
$ import os
$ import cv2
$ import glob
从keras中导入Sequential模块，它是一个神经网络的线性栈，适合本教程搭建CNN。
$ from keras.models import Sequential
从keras.layers导入定义好layers
$ from keras.layers import Dense, Dropout, Flatten
$ from keras.layers.convolutional import Convolution2D, Maxpooling2D, ZeroPading2D
从keras.optimizers导入不同的优化算法
$ from keras.optimizer import SGD, Adam
导入自带的图像预处理模块（扩增：如果你的数据量很少的话）以及可视化训练过程的tensorboard
$ from keras.preprocessing.image import ImageDataGenerate
$ from keras.callbacks import Tensorboard, ModelCheckpoint
准备数据
数据的话，只需要建立2个文件夹，分别用于training data 和 validation data,每个文件夹下面建立n个子文件夹，n代表图像分类的类数，每个子文件下面存放相同类的图像数据。
$ train_dir = './data/train/'
$ val_dir = './data/val/'
输入卷积神经网络的图像大小必须一致，我们也可以利用keras自带的数据预处理方法使其裁剪为统一大小。
构建CNN,这里我们构建VGG-16
$ model = Sequential()
$ model.add(ZeroPadding2D((1, 1), input_shape=(224, 224, 3)))
$ model.add(Convolution2D(64, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(64, 3, 3, activation='relu'))
$ model.add(MaxPooling2D((2, 2), strides=(2, 2)))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(128, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(128, 3, 3, activation='relu'))
$ model.add(MaxPooling2D((2, 2), strides=(2, 2)))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(256, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(256, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(256, 3, 3, activation='relu'))
$ model.add(MaxPooling2D((2, 2), strides=(2, 2)))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(MaxPooling2D((2, 2), strides=(2, 2)))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(ZeroPadding2D((1, 1)))
$ model.add(Convolution2D(512, 3, 3, activation='relu'))
$ model.add(MaxPooling2D((2, 2), strides=(2, 2)))
$ model.add(Flatten())
$ model.add(Dense(4096, activation='relu'))
$ model.add(Dropout(0.5))
$ model.add(Dense(1024, activation='relu'))
$ model.add(Dropout(0.5))
$ model.add(Dense(n, activation='softmax'))
上面的程序是搭建的VGG-16的模型，其实就像我们小时候玩的积木一样一样滴，就是一层一层的搭建。so easy …….
下面要设置model的一些参数，比如，loss函数，优化器，迭代次数了等。
$ sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) #带动量的随机梯度下降
$ model.compile(optimizer=sgd,loss='categorical_crossentropy',metric=['accuracy']) # loss 函数 categorical_crossentropy：亦称作多类的对数损失
$ train_datagen = ImageDataGenerator(rescale=1./255,rotation_range=4,fill_mode='constant',cval=0,horizontal_flip=True,vertical_flip=True)#train data 扩增8倍
$ val_datagen = ImageDataGenerator(rescale=1./255)
$ train_generator = train_datagen.flow_from_directory(train_dir, color_mode='rgb',target_size=(224,224),batch_size=1)
$ val_generator = test_datagen.flow_from_directory(val_dir, color_mode='rgb',target_size=(224,224),batch_size=1)
图像大小为224大小的RGB格式,扩增了8倍，并且归一化到（0-1）
编译model
$ tb = TensorBoard(log_dir='./logs/log/', write_images=True, histogram_freq=0)
$ checkpointer = ModelCheckpoint(filepath='./model/model.hdf5',save_best_only=True,verbose=1)
$ model.fit_generator(train_generator,steps_per_epoch=2000, epochs=80, workers=8, verbose=1,validation_data=val_generator, validation_steps=360,callbacks=[tb,checkpointer])
添加callback,可以实时的监测loss 和 accuracy.
在终端输入
tensorboard --logdir=./logs/log/ 回车打开出现的链接即可，最好用chrome浏览器。
测试model
# score = model.predict(test_generator,steps=x)
steps=x代表测试集的图像数量，返回值为label以及对应的probaility.
