深度学习day05-利用TensorFlow搭建图像分类感知机模型，并使用模型进行图片分类

今天在之前的基础上开始真正的进行图像分类了，如果有看不懂的地方，请翻看之前的文章。

开始之前，先导入我们需要用到的包，绝大部分都在之前介绍过：

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import cv2
import os
from glob import glob
from tensorflow.keras import datasets,layers,optimizers,losses,models
from PIL import Image

图片处理

做图像分类模型，目的是要让机器来识别记忆图像的特征，所以输入的图片要先进行预处理，调整好统一的大小，格式。

首先写一个函数，将每一张图片转成我们需要的数组格式：

def read_image(img_path,shape):
    plt_img = Image.open(img_path)
    np_img = np.array(plt_img,dtype=np.uint8)
    np_img = cv2.resize(np_img,shape)
    return np_img

之后我们在图片路径下读取图片，用read_image来处理每一张图片：

folders = os.listdir("seg_train")//文件路径
type_dict = {}
imgs = []
labs = []
for i,type_name in enumerate(folders)://处理图片与标签
    type_dict[i] = type_name
    images = glob(os.path.join('seg_train',type_name,'*.jpg'))
    labels = [i] * len(images)
    imgs = [*imgs,*images]
    labs = [*labs,*labels]


//X是图片矩阵，Y是对应的标签数值
X_train = np.zeros([len(imgs),50,50,3])
for index,img_path in enumerate(imgs):
    X_train[index,:,:,:] = read_image(img_path,(50,50))

Y_train = np.zeros([len(labs),len(folders)])
for i in range(len(labs)):
    Y_train[i,labs[i]] = 1.0

X_train =np.reshape(X_train,[X_train.shape[0],50*50*3])

运行结果：

模型搭建

建立一个model，没有太多的技巧，使用的全是全连接层，

最后一层的结果6：对应的是我有6种图像类型

具体的含义之前都有解释，这里直接上代码：

model = tf.keras.Sequential([
    # layers.Dense(67500, activation='relu'),
    # layers.Dense(50000,activation='relu'),
    # layers.Dense(25000, activation='relu'),
    # layers.Dense(12500,activation='relu'),
    # layers.Dense(7500, activation='relu'),
    layers.Dense(2500,activation='relu'),
    layers.Dense(1500,activation='relu'),
    layers.Dense(700,activation='relu'),
    layers.Dense(300,activation='relu'),
    layers.Dense(100,activation='relu'),
    layers.Dense(6,activation='softmax')
])

//定义优化、损失
opt = optimizers.SGD(learning_rate=0.001)
loss = losses.CategoricalCrossentropy()

model.build(input_shape=[None,7500])
model.compile(optimizer=opt,loss=loss,metrics=['accuracy'])
model.fit(x=X_train,y=Y_train,batch_size=100,epochs=25,shuffle=True)

model.save('model.h5')

跑一下，顺便保存一个模型，方便我们一会使用：

这台电脑没有GPU，不是不能运行，就是速度太慢了。

模型使用

使用也很简单，我们把保存的模型加载回来，输入一张照片，就可以判断了


model = tf.keras.models.load_model('model.h5')
# model = tf.keras.models.load_model
tmp_img = np.reshape(img,[1,-1])

pr_lab = model(tmp_img,training=False)
pr_lab = np.array(pr_lab)
pr_lab = np.argmax(pr_lab)
print(type_dict[pr_lab])

plt.figure()
plt.imshow(img)
plt.title(type_dict[pr_lab])
plt.show()

看一下结果：

让我们看看这张照片究竟是不是山呢：

看来效果还不错。

深度学习day05-利用TensorFlow搭建图像分类感知机模型，并使用模型进行图片分类

图片处理

模型搭建

模型使用

猜你喜欢