IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> CNN实现猫狗分类 -> 正文阅读

[人工智能]CNN实现猫狗分类

概要

? ? ? ? 主要实现猫狗分类,使用tensorflow框架的keras实现,数据集下载地址:https://download.microsoft.com/download/3/E/1/3E1C3F21-ECDB-4869-8368-6DEBA77B919F/kagglecatsanddogs_3367a.zip或者百度网盘地址:https://pan.baidu.com/s/1pZarZHAlA57gv8-qK4W9hQ? 提取码:q1ql ,下载好的数据集是一个压缩包,不区分数据集和测试集,在代码中我们进行自定义区分。

代码

1.训练代码

import os
import zipfile
import random
import tensorflow as tf
from tensorflow.keras.optimizers import RMSprop
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from shutil import copyfile
import matplotlib.image  as mpimg
import matplotlib.pyplot as plt

local_zip = 'D:/tensorflowPoj/WEDTf/Q5/Q5inputdata.zip'   #自己压缩包放的路径
zip_ref = zipfile.ZipFile(local_zip, 'r')   #压缩包解压缩
zip_ref.extractall('D:/tensorflowPoj/WEDTf/Q5/Q5data')    #将压缩包的内容全部放到自己指定的文件夹内,注意猫狗图片训练集和测试集没有分开,需要自己分
zip_ref.close()
print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/Q5data/PetImages/Cat/')))      #打印猫狗图片张数
print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/Q5data/PetImages/Dog/')))


#分别创建猫狗训练集和测试集文件目录,以便接下来训练和测试
try:
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/cats')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/dogs')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/cats')
    os.mkdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/dogs')
except OSError:
    pass

#分割数据集
def split_data(source,trining,testing,split_size):
    files=[]
    for filename in os.listdir(source):   #遍历source路径下的所有文件和文件夹(也就是猫狗图片)
        file=source+filename              #图片的详细路径(文件夹路径+图片名称)
        if os.path.getsize(file) > 0 :   #判断该路径下是否存在图片(有的路径下没有图片,就不用添加到训练和测试集中)
            files.append(filename)
        else :
            print(filename+",is zeros length")

    trining_length=int(len(files)*split_size)       #训练集长度为总长度乘以分割的长度(下面采用split_size=0.9,也就是90%的数据为训练集,10%为测试集)
    testing_length=int(len(files)-trining_length)   #测试集为10%
    shuffled_set=random.sample(files,len(files))    #对files数组打乱顺序
    trining_set=shuffled_set[0:trining_length]  #训练集图片
    testing_set=shuffled_set[-testing_length:]  #测试集图片

    for filename in trining_set:           #把猫狗训练集的数据放到创建的训练集文件夹内
        this_flie=source+filename  #训练集图片原路径
        destination=trining+filename #创建的训练集图片存放的目录
        copyfile(this_flie,destination)  #将训练集图片复制到创建好的目录下

    for filename in testing_set:          #把猫狗测试集的数据放到创建的测试集文件夹内
        this_flie = source + filename
        destination = testing + filename
        copyfile(this_flie, destination)

cat_source_dir='D:/tensorflowPoj/WEDTf/Q5/Q5data/PetImages/Cat/'    #原所有猫图片路径
trining_cats_dir='D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/cats/'  #猫训练集要放的位置
testing_cats_dir='D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/cats/'  #猫测试集要放的位置
dog_source_dir='D:/tensorflowPoj/WEDTf/Q5/Q5data/PetImages/Dog/'
trining_dogs_dir='D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/dogs/'
testing_dogs_dir='D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/dogs/'
split_size=0.9

split_data(cat_source_dir,trining_cats_dir,testing_cats_dir,split_size)  #分割训练集和测试集
split_data(dog_source_dir,trining_dogs_dir,testing_dogs_dir,split_size)

print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/cats/')))
print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/cats/')))
print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/dogs/')))
print(len(os.listdir('D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/dogs/')))

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(150, 150, 3)),   #第一层卷积,卷积核大小(3,3)卷积核个数16,激活函数relu
    tf.keras.layers.MaxPooling2D(2, 2),         #第一层池化
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer=RMSprop(lr=0.001), loss='binary_crossentropy', metrics=['acc'])   #选取优化器和损失函数,显示准确率
TRAINING_DIR ='D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/trining/'
train_datagen =ImageDataGenerator(rescale=1.0/255)
train_generator = train_datagen.flow_from_directory(
    TRAINING_DIR,
    batch_size=100,
    class_mode='binary',
    target_size=(150,150)
)

VALIDATION_DIR = 'D:/tensorflowPoj/WEDTf/Q5/cats-v-dogs/testing/'
validation_datagen =ImageDataGenerator(rescale=1.0/255)
validation_generator = train_generator = train_datagen.flow_from_directory(
    VALIDATION_DIR,
    batch_size=100,
    class_mode='binary',
    target_size=(150,150)
)
history = model.fit_generator(train_generator,
                              epochs=15,
                              verbose=1,
                              validation_data=validation_generator)


acc=history.history['acc']
val_acc=history.history['val_acc']
loss=history.history['loss']
val_loss=history.history['val_loss']
epochs=range(len(acc)) # Get number of epochs

plt.plot(epochs, acc, 'r', "Training Accuracy")
plt.plot(epochs, val_acc, 'b', "Validation Accuracy")
plt.title('Training and validation accuracy')
plt.figure()

plt.plot(epochs, loss, 'r', "Training Loss")
plt.plot(epochs, val_loss, 'b', "Validation Loss")
plt.title('Training and validation loss')

model.save('Q5model')










2.测试代码(可以自己从网上下载猫狗图片进行测试)

import numpy as np
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras.optimizers import RMSprop
import os
import zipfile
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.preprocessing import image
from tensorflow.keras.models import load_model

def image_plot(img):         #绘制图片
    plt.subplot()
    plt.axis('off')
    plt.imshow(img)
    plt.show()

model=load_model('Q5model')
path = r"D:/tensorflowPoj/WEDTf/Q5/Q5testpictures/"
for im in os.listdir(path):
    file=path+im
    img = image.load_img(file, target_size=(150,150))
    image_plot(img)
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    images = np.vstack([x])
    classes = model.predict(images, batch_size=10)
    print(classes)
    if classes>0.5:
        print('这是一条狗!')
    else :
        print('这是一只猫!')


?

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-28 09:00:22  更:2021-08-28 09:22:50 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 10:19:24-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码