[PYTHON] Bilderkennung mit Keras

Letztes Mal Erstellen Sie ein Bilderkennungsprogramm, das Affen, Inoshi und Krähen anhand der erstellten Trainingsdaten unterscheidet.

Was ist Keras?

https://keras.io/ja/

Keras ist eine in Python geschriebene übergeordnete neuronale Netzwerkbibliothek, die auf TensorFlow, CNTK oder Theano ausgeführt werden kann.

Quellcode

importieren

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.utils import np_utils
import keras
import numpy as np

Hauptfunktion

Der allgemeine Ablauf ist wie folgt:

1. Laden Sie das zuvor gespeicherte animal.npy
2. Übergeben Sie die Trainingsdaten an die Trainingsfunktion, um ein Modell zu erstellen
3. Übergeben Sie das erstellte Modell an die Bewertungsfunktion, um die Klassifizierungsgenauigkeit zu überprüfen.

classes = ["monkey", "boar", "crow"]
num_classes = len(classes)
image_size = 50

def main():
    X_train, X_test, y_train, y_test = np.load("./animal.npy", allow_pickle=True)
    X_train = X_train.astype("float") / 256
    X_test = X_test.astype("float") / 256
    y_train = np_utils.to_categorical(y_train, num_classes)
    y_test = np_utils.to_categorical(y_test, num_classes)

    model = model_train(X_train, y_train)
    model_eval(model, X_test, y_test)

• Der Grund, warum "X_train" und "X_test" durch 256 geteilt werden, ist die Normalisierung (die Daten liegen im Bereich von 0 bis 1).

・ To_categorical hat ein Array von [0, 1, 2]

[[1, 0, 0]
 [0, 1, 0]
 [0, 0, 1]]

Konvertieren Sie also in ein Array, das 1 nur im Index der richtigen Antwort und 0 an anderen Stellen enthält.

Ausbildung

Beziehen Sie sich auf die 34. Zeile und danach auf den folgenden Code Referenz: https://github.com/keras-team/keras/blob/master/examples/cifar10_cnn.py

def model_train(X, y):
    model = Sequential()
    model.add(Conv2D(32, (3,3), padding='same', input_shape=X.shape[1:]))
    model.add(Activation('relu'))
    model.add(Conv2D(32, (3,3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3,3), padding='same'))
    model.add(Activation('relu'))
    model.add(Conv2D(64, (3,3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))

    model.add(Flatten())
    model.add(Dense(512))
    model.add(Activation('relu'))
    model.add(Dropout(0.5))
    model.add(Dense(3))
    model.add(Activation('softmax'))

    opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)

    model.compile(loss='categorical_crossentropy',
                    optimizer=opt, metrics=['accuracy'])

    model.fit(X, y, batch_size=32, epochs=100)

    #Modell speichern
    model.save("./animal_cnn.h5")

    return model

model = Sequential() Erstellen Sie ein Modellobjekt

model.add(Conv2D(...)) Fügen Sie eine Ebene hinzu

model.add(Activation('relu')) Fügen Sie eine Ebene hinzu, die "ReLU (Rectified Linear Unit)" als Aktivierungsfunktion verwendet

model.add(MaxPooling2D(pool_size=(2,2))) Fügen Sie eine Ebene für maximales Pooling hinzu (Teilen Sie die Eingabe in vorgegebene Bereiche und geben Sie den Maximalwert für jeden Bereich aus).

model.add(Dropout(0.25)) 25% verwerfen (was?) Um Datenverzerrungen zu beseitigen

opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6) Optimierungserklärung. Mit der Methode "optimizers.rmsprop" beträgt die Lernrate 0,0001 und die Rate zum Verringern der Lernrate beträgt jedes Mal 0,000001.

model.compile() Modell kompilieren.

model.fit(X, y, batch_size=32, epochs=100) Trainiere mit X und y. batch_size ist die Anzahl der Daten, die in einem Training verwendet werden. Wie viele Sätze von "Epochen" trainieren?

Auswertung der Trainingsergebnisse

Überprüfen Sie das Modell, das mit der Evaluierungsmethode erstellt wurde.

def model_eval(model, X, y):
    scores = model.evaluate(X, y, verbose=1)
    print('test Loss: ', scores[0])
    print('test Accuracy: ', scores[1])