html5网站模板怎么用,网络规划工程师,广告设计专业是干什么的,公众号用什么软件做系列文章目录
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型#xff08;一#xff09;
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型#xf…系列文章目录
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型一
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型二
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型三
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型四
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型五
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型六 目录 系列文章目录前言总体设计系统整体结构图系统流程图 运行环境模块实现1. 数据预处理2. 数据增强3. 普通CNN模型1模型结构2模型优化3模型训练4模型保存 其他相关博客工程源代码下载其它资料下载 前言
本项目以卷积神经网络CNN模型为基础对收集到的猫咪图像数据进行训练。通过采用数据增强技术和结合残差网络的方法旨在提高模型的性能以实现对不同猫的种类进行准确识别。
首先项目利用CNN模型这是一种专门用于图像识别任务的深度学习模型。该模型通过多个卷积和池化层能够有效地捕捉图像中的特征为猫的种类识别提供强大的学习能力。
其次通过对收集到的数据进行训练本项目致力于建立一个能够准确辨识猫的种类的模型。包括各种猫的图像以确保模型能够泛化到不同的种类和场景。
为了进一步提高模型性能采用了数据增强技术。数据增强通过对训练集中的图像进行旋转、翻转、缩放等操作生成更多的变体有助于模型更好地适应不同的视角和条件。
同时引入残差网络的思想有助于解决深层网络训练中的梯度消失问题提高模型的训练效果。这种结合方法使得模型更具鲁棒性和准确性。
最终通过本项目实现了对猫的种类进行精准识别的目标。这对于宠物领域、动物学研究等方面都具有实际应用的潜力为相关领域提供了一种高效而可靠的工具。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。 系统流程图
系统流程如图所示。 运行环境
本部分包括计算型云服务器、Python环境、TensorFlow环境和MySQL环境。
详见博客。
模块实现
本项目包括5个模块数据预处理、数据增强、普通CNN模型、残差网络模型、模型生成。下面分别给出各模块的功能介绍及相关代码。
1. 数据预处理
打开浏览器分别搜索布偶猫、孟买猫、暹罗猫和英国短毛猫的图片。用批量下载器下载图片筛选出特征明显的图片作为数据集。使用的图片包含101张布偶猫、97张孟买猫、101张逼罗猫以及85张英国短毛猫共计384张图片。其中在工程代码中/cat_kind_model/cat_data_100与/cat_kind_model/cat_data_224也可下载
详见博客。
2. 数据增强
所谓数据增强是通过翻转、旋转、比例缩放、随机裁剪、移位、添加噪声等操作对现有数据集进行拓展。本项目中数据量较小无法提取图片的深层特征使用深层的残差网络时易造成模型过拟合。
详见博客。
3. 普通CNN模型
处理图片数据格式后,转换为数组作为模型的输入并根据文件名提取标签定义模型结构、优化器、损失函数和性能指标。本项目使用Keras提供类似VGG的卷积神经网络。
1模型结构
模型结构相关代码如下
#首先导入相应库
import os
from PIL import Image
import numpy as np
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.optimizers import SGD, RMSprop, Adam
from keras.layers import Conv2D, MaxPooling2D
import argparse
#将图片转换为数组并提取标签
def convert_image_array(filename, src_dir):img Image.open(os.path.join(src_dir, filename)).convert(RGB)return np.array(img)
def prepare_data(train_or_test_dir):x_train_test []#将训练或者测试集图片转换为数组ima1 os.listdir(train_or_test_dir)for i in ima1:x_train_test.append(convert_image_array(i, train_or_test_dir))x_train_test np.array(x_train_test)#根据文件名提取标签y_train_test []for filename in ima1:y_train_test.append(int(filename.split(_)[0]))y_train_test np.array(y_train_test)#将标签转换格式y_train_test np_utils.to_categorical(y_train_test)#将特征点从0~255转换成0~1提高特征提取精度x_train_test x_train_test.astype(float32)x_train_test / 255#返回训练和测试数据return x_train_test, y_train_test搭建网络模型。定义的架构为4个卷积层每两层卷积后都连接1个池化层进行数据的降维一个dropout层防止模型过拟合加上Flatten层把多维的输入一维化最后是全连接层。
def train_model():#搭建卷积神经网络model Sequential()model.add(Conv2D(32,(3,3),activationrelu,input_shape(100,100,3))) #提取图像的特征model.add(Conv2D(32, (3, 3), activationrelu))model.add(MaxPooling2D(pool_size(2, 2)))model.add(Dropout(0.25)) #随机扔掉25%的节点权重防止模型过拟合model.add(Conv2D(64, (3, 3), activationrelu))model.add(Conv2D(64, (3, 3), activationrelu))model.add(MaxPooling2D(pool_size(2, 2)))model.add(Dropout(0.25))model.add(Flatten())
#Flatten层输入“压平”把多维的输入一维化常用在从卷积层到全连接层的过渡model.add(Dense(256, activationrelu)) #Dense是常用的全连接层model.add(Dropout(0.5))model.add(Dense(4, activationsoftmax))2模型优化
确定模型架构之后使用compile()方法对模型进行编译这是多类别的分类问题因此需要使用交叉熵作为损失函数。由于所有标签都带有相似的权重通常使用精确度作为性能指标使用随机梯度下降算法来优化模型参数。
sgd SGD(lr0.01, decay1e-6, momentum0.9, nesterovTrue)#SGD优化器
#完成模型搭建后使用.compile()方法编译
model.compile(losscategorical_crossentropy,optimizersgd,metrics[accuracy])
return model3模型训练
定义模型架构和编译模型后使用训练集训练模型使模型可以识别不同种类的猫。这里将使用训练集和测试集拟合并保存模型。
def main_args(): #初始化用到的参数parser argparse.ArgumentParser()parser.add_argument(--train_dir, typestr, default./cat_data_100/train, helpthe path to the training imgs)parser.add_argument(--test_dir, typestr, default./cat_data_100/test, helpthe path to the testing imgs)parser.add_argument(--save_model, typestr, default./models/cat_weight.h5, helpthe path and the model name)parser.add_argument(--batch_size, typeint, default10, helpthe training batch size of data)parser.add_argument(--epochs, typeint, default32, helpthe training epochs)options parser.parse_args()return options
#开始模型生成
if __name__ __main__:#调用函数获取用户参数options main_args()#调用函数获取模型model train_model()#调用函数获取训练数据和标签x_train, y_train prepare_data(options.train_dir)x_test, y_test prepare_data(options.test_dir)
#训练数据上按batch进行一定次数的迭代训练网络
model.fit(x_train, y_train, shuffleTrue, batch_sizeoptions.batch_size, epochsoptions.epochs)
#使用一行代码对模型进行评估看模型的指标是否满足要求
score model.evaluate(x_test, y_test, batch_size10)
print(Testing loss:{0},Testing acc:{1}.format(score[0], score[1]))其中一个batch就是在一次前向后向传播过程用到的训练样例数量每次读入10张图片作为一个批量大小数据集循环迭代32次。
通过观察训练集和测试集的损失函数、准确率的大小来评估模型的训练程度进行进一步决策。一般来说训练集和测试集的损失函数或准确率不变且基本相等为模型训练的最佳状态。
4模型保存
将模型文件保存为.h5格式以便于移植到其他环境中使用。
#保存训练完成的模型文件
save_model options.save_model
save_model_path os.path.dirname(save_model)
save_model_name os.path.basename(save_model)
if not os.path.exists(save_model_path):os.mkdir(save_model_path)
model.save_weights(save_model, overwriteTrue)其他相关博客
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型一
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型二
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型四
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型五
基于CNN数据增强残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)数据集模型六
工程源代码下载
详见本人博客资源下载页 其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线所有资料免关注免套路直接网盘下载》 这篇博客参考了Github知名开源平台AI技术平台以及相关领域专家DatawhaleApacheCNAI有道和黄海广博士等约有近100G相关资料希望能帮助到所有小伙伴们。
