keras-图像分类(内有详细代码注释)

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
 
#-----------------------将训练集图片转换成数组----------------------
ima1 = os.listdir('./train')#将train文件夹中的文件读取出来
def read_image1(filename):#def xxx( ): 是定义函数
    img = Image.open('./train/'+filename).convert('RGB')
    #图片赋给img这个对象
return np.array(img)#图片转化为np类型数组
 
x_train = []
 
for i in ima1:#循环所有train下面的图片
    x_train.append(read_image1(i))#将上面转换成np类型的数组放在x_train中
x_train = np.array(x_train)#将x_train转换成np类型的数组
#----------------------根据训练集文件名提取标签----------------------
y_train = []
for filename in ima1:
y_train.append(int(filename.split('_')[0]))
#读取下划线之前的数字，再将它转换成int类型的，加入到y_train中
#filename.split('_')[0]得到第一个_之前的内容
#filename.split('_')[1]得到第一个_和第二个o之间的内容
y_train = np.array(y_train)#y_train转化转化成np类型的数组
#-----------------------将测试集图片转化成数组-----------------------
ima2 = os.listdir('./test')
def read_image2(filename):
    img = Image.open('./test/'+filename).convert('RGB')
    return np.array(img)
 
x_test = []
 
for i in ima2:
    x_test.append(read_image2(i))
 
x_test = np.array(x_test)

#-----------------------根据测试集文件名提取标签--------------------
y_test = []
for filename in ima2:
    y_test.append(int(filename.split('_')[0]))
 
y_test = np.array(y_test)
#--------------------------将标签转换格式----------------------------
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
 
#-------------------将特征点从0~255转换成0~1提高特征提取精度---------------
'''
最常见的对图像预处理方法有以下几种：
（1）去均值
（2）归一化处理
（3）正常白化处理又叫图像标准化处理
（4）PCA
 '''
# 归一化处理
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
 
#----------------------------搭建卷积神经网络----------------------------
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
 
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
 
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4, activation='softmax'))# 你一共分多少类，这里猫四类
 
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) #随机梯度下降
#sgd = SGD(lr=learning_rate, decay=learning_rate/nb_epoch, momentum=0.9, nesterov=True)
#lr：大于0的浮点数，学习率；momentum：大于0的浮点数，动量参数；decay：大于0的浮点数，每次更新后的学习率衰减值；nesterov：布尔值，确定是否使用Nesterov动量
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])#编译
#绝对叉熵约束
'''
可以使用 compile(self, optimizer, loss, metrics=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None) 来完成配置
compile() 主要接收前三个参数：
loss：字符串类型，用来指定损失函数，如：categorical_crossentropy，binary_crossentropy
optimizer：字符串类型，用来指定优化方式，如：rmsprop，adam，sgd
metrics：列表类型，用来指定衡量模型的指标，如：accuracy
'''
hist = model.fit(x_train, y_train, batch_size = 32, epochs = 200,verbose = 1,validation_data = (x_test, y_test))
#开始训练，返回train的loss和acc
#一次处理多少张图片，计算机性能好的话可以调高
#一共训练多少次
#返回test的loss acc
#fit()用于使用给定输入训练模型.(返回训练集loss、acc)
#predict()用于实际预测.它为输入样本生成输出预测.
#evaluate()用于评估已经训练过的模型.返回损失值&模型的度量值.
 
model.save_weights('./cat/cat_weights.h5', overwrite=True)
#找到的拟合的很好的参数保存成.h5
score = model.evaluate(x_test, y_test, batch_size = 32,verbose=0)
#测试集输入到卷积神经网络中
#verbose = 0 为不在标准输出流输出日志信息，verbose = 1 为输出进度条记录，verbose = 2 为每个epoch输出一行记录
 
model.evaluate
输入数据和标签,输出损失和精确度.
    # 评估模型,不输出预测结果
    loss,accuracy = model.evaluate(X_test,Y_test)
    print('test loss',loss)
    print('accuracy',accuracy)
 
print(score)
#后两句为了打印这个
#---------------------------------画图--------------------------------
plt.figure()# 创建一个绘图窗口
acc = hist.history['acc']
val_acc = hist.history['val_acc']
loss = hist.history['loss']
val_loss = hist.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'y-', label='Training acc')  
#'b-'为画蓝色线 ‘r-’红色‘y-’黄色 ‘g-’绿色
plt.plot(epochs, val_acc, 'r-', label='Validation acc')
plt.plot(epochs, loss, 'b-', label='Training loss')
plt.plot(epochs, val_loss, 'g-', label='Validation loss')
plt.title('acc & loss')#标题
plt.legend()  # 绘制图例，默认在右上角
plt.show()