大鵬說 ：本文約1200字，閱讀需要4分鐘秤标。本文講述了利用深度學(xué)習(xí)原理實(shí)現(xiàn)自動識別花卉品種的過程银伟。成果優(yōu)秀，令人驚奇并徘，絕對是情人節(jié)選花神助手~

關(guān)鍵詞：阿里云 Python 郵件 星座

p.s.文末有源代碼分享

轉(zhuǎn)眼，一年一度的情人節(jié)又到了扰魂。每個(gè)情人節(jié)我總要面臨一個(gè)問題：如何給我的女盆友們買花麦乞？花店里琳瑯滿目的花蕴茴，我又不認(rèn)識，萬一買錯(cuò)品種了姐直，我將會永遠(yuǎn)失去她們倦淀。我決定搞一個(gè)模型來幫我完成花的識別工作。

1. 學(xué)習(xí)素材準(zhǔn)備

為了掌握花卉的鑒別能力声畏，我特地找了海量的花卉圖片以供賞析撞叽。

一共14個(gè)品種的花：

image

每個(gè)品種共1000張艷照，共計(jì)14000張：

image

學(xué)習(xí)要講究方法，比如如何區(qū)分玫瑰和菊花徘跪，很簡單甘邀，玫瑰一般為紅色，花朵是卷起來的,而菊花是黃燦燦的垮庐，花朵的形狀…大家都懂的松邪。這種提取特征的學(xué)習(xí)方法，我們通常稱之為卷積哨查。

2. 模型建立

先導(dǎo)入用于深度學(xué)習(xí)的python包逗抑，我們使用Keras框架

from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Activation,Dropout,Flatten,Dense
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator,img_to_array,load_img
from keras.models import load_model

因?yàn)镵eras框架本身是基于tensorflow構(gòu)建的，性能卓著解恰，又不需要tensorflow超高難度的代碼編寫锋八，封裝十分徹底，用法與skitlearn類似护盈。

在開始組織神經(jīng)網(wǎng)絡(luò)前挟纱，我們先定義一些參數(shù)，方便調(diào)試與修改腐宋。

IMG_W = 224 #定義裁剪的圖片寬度
IMG_H = 224 #定義裁剪的圖片高度
CLASS = 14 #圖片的分類數(shù)
EPOCHS = 5 #迭代周期
BATCH_SIZE = 64 #批次大小
TRAIN_PATH = 'data/train' #訓(xùn)練集存放路徑
TEST_PATH = 'data/test' #測試集存放路徑
SAVE_PATH = 'flower_selector' #模型保存路徑
LEARNING_RATE = 1e-4 #學(xué)習(xí)率
DROPOUT_RATE = 0 #抗擬合紊服，不工作的神經(jīng)網(wǎng)絡(luò)百分比

下面是每個(gè)參數(shù)的解釋:

IMG_W,IMG_H：用于模型學(xué)習(xí)的圖片尺寸。
因?yàn)槲覀兊臉颖緢D片尺寸各不相同胸竞，而模型學(xué)習(xí)需要大小統(tǒng)一的圖片欺嗤，所有這里設(shè)定其寬高。研究表明正方形的圖片在模型擬合方面卫枝，效果優(yōu)于長方形的圖片煎饼，所以這里長寬設(shè)置相同。特別注意校赤，圖片尺寸越大吆玖，訓(xùn)練花費(fèi)時(shí)間越久筒溃，所以千萬不要設(shè)置如1920*1920分辨率大小，否則就算等到天荒地老模型也訓(xùn)練不完沾乘。

CLASS：圖片的分類數(shù)量怜奖，
我們一共有14種花，所以翅阵，設(shè)置為14歪玲。

EPOCHS：訓(xùn)練周期。
模型把所有樣本圖片都訓(xùn)練一次為一周期掷匠，而需要訓(xùn)練成一個(gè)準(zhǔn)確率較高的模型滥崩，一個(gè)周期顯然不行。這里我們可以自由設(shè)置周期大小槐雾，我一般設(shè)置5-40個(gè)周期夭委，循環(huán)結(jié)束保存模型，接著繼續(xù)募强。

BATCH_SIZE：批次大小株灸。
按理說一個(gè)周期里，我們可以把所有圖片一股腦丟給機(jī)器訓(xùn)練擎值，但是我們顯卡的顯存或者CPU的內(nèi)存只有那么大慌烧，放多了容易溢出，也就是常說的爆顯存鸠儿，所以我們要設(shè)置個(gè)批次屹蚊，把圖片一批一批喂給模型訓(xùn)練，我這里設(shè)置為一批64張圖片进每，如果你的顯卡性能略差可以設(shè)置成32或者更小汹粤。

TRAIN_PATH：存放訓(xùn)練集的路徑。

TEST_PATH：存放測試集的路徑田晚。

LEARNING_RATE：學(xué)習(xí)率嘱兼，模型學(xué)習(xí)的速度。
并不是越快越好（數(shù)字越大）贤徒，越快容易造成模型震蕩芹壕，無法收斂，也就是沒有訓(xùn)練效果接奈。1e-4是科學(xué)計(jì)數(shù)法踢涌，為0.0001。這里學(xué)習(xí)率一般設(shè)置有幾個(gè)選擇1e-1,1e-2,1e-3,1e-4序宦。通常探索階段睁壁，設(shè)置的小一點(diǎn)。

DROPOUT_RATE：每次訓(xùn)練不工作的神經(jīng)元百分比。
在模型訓(xùn)練中堡僻，我們通常會遇到一個(gè)問題糠惫，過擬合。也就是說在訓(xùn)練集上準(zhǔn)確率很高钉疫，而測試集上準(zhǔn)確率很低。這里設(shè)置一個(gè)DROPOUT參數(shù)巢价，定義每一次訓(xùn)練牲阁，隨機(jī)一定百分比的部分不參與訓(xùn)練，這樣會起到抵抗過擬合的效果壤躲。

主要是定義訓(xùn)練集和測試集的圖片標(biāo)準(zhǔn)城菊。兩者都有的一個(gè)參數(shù)為rescale，因?yàn)閳D片是RGB色彩碉克，顏色范圍從0-255凌唬，rescale，使數(shù)據(jù)歸一化為0-1的范圍漏麦。但是在訓(xùn)練集中我們還定義了旋轉(zhuǎn)客税，平移，縮放等功能撕贞，這些操作的目的是隨機(jī)變換輸入的圖片樣式更耻，增加樣本量。注意捏膨！這一步操作僅僅只是確定了功能秧均，并沒有對任何圖片進(jìn)行操作，相當(dāng)于先構(gòu)建了一個(gè)模具号涯。

然后目胡，我們開始搭建神經(jīng)網(wǎng)絡(luò)：

model = Sequential() #創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)對象

#添加一個(gè)卷積層，傳入固定寬高三通道的圖片链快，以32種不同的卷積核構(gòu)建32張?zhí)卣鲌D誉己，
# 卷積核大小為3*3，構(gòu)建特征圖比例和原圖相同久又，激活函數(shù)為relu函數(shù)巫延。
model.add(Conv2D(input_shape=(IMG_W,IMG_H,3),filters=32,kernel_size=3,padding='same',activation='relu'))
#再次構(gòu)建一個(gè)卷積層
model.add(Conv2D(filters=32,kernel_size=3,padding='same',activation='relu'))
#構(gòu)建一個(gè)池化層，提取特征地消，池化層的池化窗口為2*2炉峰，步長為2。
model.add(MaxPool2D(pool_size=2,strides=2))
#繼續(xù)構(gòu)建卷積層和池化層脉执，區(qū)別是卷積核數(shù)量為64疼阔。
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
#繼續(xù)構(gòu)建卷積層和池化層，區(qū)別是卷積核數(shù)量為128。
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2, strides=2))

model.add(Flatten()) #數(shù)據(jù)扁平化
model.add(Dense(128,activation='relu')) #構(gòu)建一個(gè)具有128個(gè)神經(jīng)元的全連接層
model.add(Dense(64,activation='relu')) #構(gòu)建一個(gè)具有64個(gè)神經(jīng)元的全連接層
model.add(Dropout(DROPOUT_RATE)) #加入dropout婆廊，防止過擬合迅细。
model.add(Dense(CLASS,activation='softmax')) #輸出層，一共14個(gè)神經(jīng)元淘邻，對應(yīng)14個(gè)分類

先用Sequential()定義一個(gè)模型對象茵典，再往里面添加神經(jīng)網(wǎng)絡(luò)層。模型結(jié)構(gòu)大致為兩個(gè)卷積層宾舅，一個(gè)池化層统阿，共三組，再增加兩個(gè)全連接層筹我，最終輸出為10大類扶平。

我再把網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行可視化，以便更直觀地觀察模型蔬蕊。

from keras.utils.vis_utils import plot_model
from keras.models import load_model
import matplotlib.pyplot as plt

model = load_model('flower_selector.h5')

plot_model(model,to_file="model.png",show_shapes=True,show_layer_names=True,rankdir='TB')
plt.figure(figsize=(10,10))
img = plt.imread("model.png")
plt.imshow(img)
plt.axis('off')
plt.show()

繪制的結(jié)構(gòu)圖如下：

image

再來講一講如何構(gòu)建合理的網(wǎng)絡(luò)結(jié)構(gòu)结澄。一般為1-2個(gè)卷積層，加1個(gè)池化層岸夯，共2-3組麻献，最后增加1-2個(gè)全連接層輸出，結(jié)構(gòu)沒有定式囱修，但如果樣本太少赎瑰，建議層數(shù)不宜過多，容易過擬合破镰。

設(shè)置好網(wǎng)絡(luò)結(jié)構(gòu)餐曼，我們設(shè)置優(yōu)化器，這里使用adam優(yōu)化器鲜漩，使用梯度下降法優(yōu)化模型源譬，并返回準(zhǔn)確率。

adam = Adam(lr=LEARNING_RATE) #創(chuàng)建Adam優(yōu)化器

model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy']) #使用交叉熵代價(jià)函數(shù)孕似，adam優(yōu)化器優(yōu)化模型踩娘，并提取準(zhǔn)確率

lr：學(xué)習(xí)率，數(shù)值為腳本開頭設(shè)置的數(shù)值大小喉祭。

loss：損失函數(shù)养渴，用于衡量模型誤差，模型訓(xùn)練的目的就是讓損失函數(shù)的值盡可能小泛烙，這里我們使用交叉熵代價(jià)函數(shù)理卑。

metrics：返回準(zhǔn)確率。

最后蔽氨，生成訓(xùn)練集和測試集的迭代器藐唠，用于把圖片按一定批次大小傳入模型訓(xùn)練帆疟。

train_generator = train_datagen.flow_from_directory( #設(shè)置訓(xùn)練集迭代器
    TRAIN_PATH, #訓(xùn)練集存放路徑
    target_size=(IMG_W,IMG_H), #訓(xùn)練集圖片尺寸
    batch_size=BATCH_SIZE #訓(xùn)練集批次
    )

test_generator = test_datagen.flow_from_directory( #設(shè)置測試集迭代器
    TEST_PATH, #測試集存放路徑
    target_size=(IMG_W,IMG_H), #測試集圖片尺寸
    batch_size=BATCH_SIZE, #測試集批次
    )

增加判定機(jī)制，如果文件夾下沒有已訓(xùn)練的模型宇立，那么從頭開始訓(xùn)練踪宠，如果已有訓(xùn)練過的模型，那么在此基礎(chǔ)上妈嘹，繼續(xù)訓(xùn)練：

try:
    model = load_model('{}.h5'.format(SAVE_PATH))  #嘗試讀取訓(xùn)練好的模型柳琢，再次訓(xùn)練
    print('model upload,start training!')
except:
    print('not find model,start training') #如果沒有訓(xùn)練過的模型，則從頭開始訓(xùn)練

構(gòu)建好所有內(nèi)容润脸，使用fit_generator()擬合模型：

model.fit_generator( #模型擬合
                    train_generator,  #訓(xùn)練集迭代器
                    steps_per_epoch=len(train_generator), #每個(gè)周期需要迭代多少步（圖片總量/批次大小=11200/64=175）
                    epochs=EPOCHS, #迭代周期
                    validation_data=test_generator, #測試集迭代器
                    validation_steps=len(test_generator) #測試集迭代多少步
                    )

傳入訓(xùn)練集和測試集迭代器染厅，傳入周期，傳入迭代的步數(shù)津函。

模型擬合完畢，保存模型結(jié)構(gòu)孤页，用于預(yù)測和再次訓(xùn)練：

model.save('{}.h5'.format(SAVE_PATH)) #保存模型
print('finish {} epochs!'.format(EPOCHS))

3.模型訓(xùn)練

運(yùn)行腳本~

image

這里會先顯示訓(xùn)練集和測試集的樣本大小尔苦，分類數(shù)量，分類名稱行施。如果是使用GPU訓(xùn)練模型允坚，這里還會顯示顯卡參數(shù)。強(qiáng)烈建議使用GPU模式蛾号。因?yàn)楦鶕?jù)運(yùn)行后的結(jié)果稠项，模型在訓(xùn)練200個(gè)周期以上后，準(zhǔn)確率才能達(dá)到80%鲜结，一個(gè)周期平均1分鐘展运，而使用CPU模式，則要30分鐘左右精刷，效率差距巨大拗胜。

接下來，正式開始訓(xùn)練怒允，會顯示批次埂软，步數(shù)，準(zhǔn)確率等信息纫事，一開始準(zhǔn)確率是很低的勘畔。只有7%，約等于1/14丽惶，完全隨機(jī)：

image

訓(xùn)練一段時(shí)間后炫七，準(zhǔn)確率會上升：

image

經(jīng)過漫長的訓(xùn)練，我訓(xùn)練了約400個(gè)周期伍绳。模型最終效果如圖所示：

image

訓(xùn)練集準(zhǔn)確率大于90%踊挠，而測試集準(zhǔn)確率約84%。我發(fā)現(xiàn)再繼續(xù)訓(xùn)練冲杀，訓(xùn)練集準(zhǔn)確率還能再提高效床，但測試集準(zhǔn)確率幾乎提高不了了，過擬合情況越來越嚴(yán)重权谁，這時(shí)剩檀，果斷停止訓(xùn)練。

4.結(jié)果展示

模型訓(xùn)練好了旺芽，那么我們采用實(shí)際的案例來測試下效果沪猴。我從花店拍了一些不同花卉的照片如下：

image

寫一個(gè)簡單的腳本，功能為導(dǎo)入訓(xùn)練好的模型采章，再把用于預(yù)測的圖片轉(zhuǎn)換成模型的對應(yīng)格式运嗜。比如尺寸為224*224~

from keras.models import load_model
from keras.preprocessing.image import img_to_array,load_img
import numpy as np
import os
# 載入模型
model = load_model('flower_selector.h5')
label = np.array(['康乃馨','杜鵑花','桂花','桃花','梅花','洛神花','牡丹','牽牛花','玫瑰','茉莉花','荷花','菊花','蒲公英','風(fēng)信子'])
def image_change(image):
    image = image.resize((224,224))
    image = img_to_array(image)
    image = image/255
    image = np.expand_dims(image,0)
    return image

然后悯舟，遍歷文件夾下的圖片進(jìn)行預(yù)測：

for pic in os.listdir('./predict'):
    print('圖片真實(shí)分類為',pic)
    image = load_img('./predict/' + pic)
    image = image_change(image)
    print('預(yù)測結(jié)果為',label[model.predict_classes(image)])
    print('----------------------------------')

結(jié)果如下：

image

預(yù)測準(zhǔn)確率達(dá)到百分之百担租，鼓掌~！５衷酢７芫取！便贵！

經(jīng)過了層層挑戰(zhàn)菠镇，我終于完成了機(jī)器識花的工作，準(zhǔn)備去給我的女盆友們買花了承璃！大家也快關(guān)注“大鵬教你玩數(shù)據(jù)”后在后臺回復(fù)【30】利耍，獲取源代碼和學(xué)習(xí)素材學(xué)起來吧~

免費(fèi)獲取【1.6G AI學(xué)習(xí)資料】和其他福利，請加QQ群：837627861
轉(zhuǎn)載請?jiān)诠娞柡笈_聯(lián)系小編盔粹，請勿擅自轉(zhuǎn)載隘梨。