利用Python和Tensorflow构建卷积神经网络的9个步骤

卷积神经网络通常被称为ConvNets，它是一种神经网络架构，主要用于图像分类，而ConvNets在图像方面非常好。ConvNets的灵感来自人类视觉皮质，现在让我们深入了解架构

＃1：打开一个Jupyter NoteBook

您可以在工作目录上创建一个新的NoteBook购买开放终端，然后输入“jupyter notebook”，然后会出现一个弹出窗口，点击“新建 – > Python3”

＃2：导入Python必要的依赖关系并声明数据源

import tensorflow as tf
import matplotlib.pyplot as plt
%matplotlib inline
from tqdm import tqdm
import numpy as np
import os 
from random import shuffle
import cv2
 
TEST_DIR = '/projects/My projects/dogs vs cats/test'
TRAIN_DIR = '/projects/My projects/dogs vs cats/train'
LEARNING_RATE = 1e-3
MODEL_NAME = "dogsvscats-{}-{}.model".format(LEARNING_RATE,"6conv-fire")
IMAGE_SIZE = 50

import tensorflow as tf

import matplotlib.pyplot as plt

%matplotlib inline

from tqdm import tqdm

import numpy as np

import os

from random import shuffle

import cv2

TEST_DIR = '/projects/My projects/dogs vs cats/test'

TRAIN_DIR = '/projects/My projects/dogs vs cats/train'

LEARNING_RATE = 1e-3

MODEL_NAME = "dogsvscats-{}-{}.model".format(LEARNING_RATE,"6conv-fire")

IMAGE_SIZE = 50

Tensorflow：Tensorflow是Google的一个深度学习框架，它允许我们构建和部署神经网络模型
Matplotlib：Matplotlib是一个数据可视化库
Numpy：Numpy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。

＃3：标记我们的数据

默认情况下，我们的数据集带有“cat”或“dog”的标签，但是我们不能将字符串或字符FeedIn到我们的神经网络中，所以我们必须转换然后转换为向量，我们可以通过以下Python代码完成：

def label_image(img):
 img_name = img.split(".")[-3]
 if img_name == "cat":
 return [1,0]
 elif img_name == "dog":
 return [0,1]

def label_image(img):

img_name = img.split(".")[-3]

if img_name == "cat":

return [1,0]

elif img_name == "dog":

return [0,1]

＃4：创建我们的训练和测试集

我们有猫和狗的图像，但我们不能直接输入这些图像所以我们必须将它们转换成矩阵，我们可以通过以下Python代码执行计算：

#This is for Training Data
 
def train_data_loder():
 training_data = []
 for img in tqdm(os.listdir(path=TRAIN_DIR)):
 img_lable = label_image(img)
 path_to_img = os.path.join(TRAIN_DIR,img)
 img = cv2.resize(cv2.imread(path_to_img,cv2.IMREAD_GRAYSCALE),(IMAGE_SIZE,IMAGE_SIZE))
 training_data.append([np.array(img),np.array(img_lable)])
 
 shuffle(training_data)
 np.save("training_data_new.npy",training_data)
 return training_data
 
#This is for Testing Data
 
def testing_data():
 test_data = []
 for img in tqdm(os.listdir(TEST_DIR)):
 img_labels = img.split(".")[0]
 path_to_img = os.path.join(TEST_DIR,img)
 img = cv2.resize(cv2.imread(path_to_img,cv2.IMREAD_GRAYSCALE),(IMAGE_SIZE,IMAGE_SIZE))
 test_data.append([np.array(img),np.array(img_labels)])
 
 shuffle(test_data)
 np.save("test_dataone.npy",test_data)
 return test_data

#This is for Training Data

def train_data_loder():

training_data = []

for img in tqdm(os.listdir(path=TRAIN_DIR)):

img_lable = label_image(img)

path_to_img = os.path.join(TRAIN_DIR,img)

img = cv2.resize(cv2.imread(path_to_img,cv2.IMREAD_GRAYSCALE),(IMAGE_SIZE,IMAGE_SIZE))

training_data.append([np.array(img),np.array(img_lable)])

shuffle(training_data)

np.save("training_data_new.npy",training_data)

return training_data

#This is for Testing Data

def testing_data():

test_data = []

for img in tqdm(os.listdir(TEST_DIR)):

img_labels = img.split(".")[0]

path_to_img = os.path.join(TEST_DIR,img)

img = cv2.resize(cv2.imread(path_to_img,cv2.IMREAD_GRAYSCALE),(IMAGE_SIZE,IMAGE_SIZE))

test_data.append([np.array(img),np.array(img_labels)])

shuffle(test_data)

np.save("test_dataone.npy",test_data)

return test_data

RGB和灰度比较

在知道如何将图像更改为矢量之前，我们必须知道如何存储和查看图像。图像是 RBG（红色，绿色和蓝色）的组合，所以基本上，我们必须将三个颜色通道输入我们的ConvNet，我们可以做到这一点，但计算成本太高（即）过多的复杂计算过程可能需要Hi-Performance GPU 和Stuffs,但是对于这个特殊的任务，我们可以用更简单和高效的方式做事，所以我们在OpenCV的帮助下将RGB图像改变为灰度图像，它只包含一个颜色通道。

由于我们已经对我们的图像进行了Grayscaling，因此我们必须将图像reshape为50 x 50图像，同时降低我们的计算功能，然后我们将其附加到我们的列表中

＃5：编码我们的卷积神经网络模型

这里有趣的部分，编写我们的模型，我们必须导入所有帮助我们构建ConvNet模型的依赖项。

import tflearn
from tflearn.layers.conv import conv_2d,max_pool_2d
from tflearn.layers.core import input_data,dropout,fully_connected
from tflearn.layers.estimator import regression

import tflearn

from tflearn.layers.conv import conv_2d,max_pool_2d

from tflearn.layers.core import input_data,dropout,fully_connected

from tflearn.layers.estimator import regression

MAX POOLING

我们将使用TfLearn来构建我们的模型。首先，我们从layers.conv中导入conv_2d,因为它实际上是我们的卷积模型它是预构建的max_pool_2d用于使用最大池技术

然后，我们从layers.core导入input_data、dropout、fully_connected模块,DropOut是一种很酷的方法，通过在训练过程中随机关闭神经元来提高我们的模型精度，而完全连接层允许我们使用Softmax函数进行最终预测。

＃6：建立一个ConvNet

import tensorflow as tf
tf.reset_default_graph()
 
convnet = input_data(shape=[None, IMAGE_SIZE, IMAGE_SIZE, 1], name='input')
#Conv Layer 1
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
#Conv Layer 2
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
#Conv Layer 3
convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
#Conv Layer 4
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
#Conv Layer 5
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
#Conv Layer 6
convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)
#Fully Connected Layer with SoftMax as Activation Function
convnet = fully_connected(convnet, 2, activation='softmax')
#Regression for ConvNet with ADAM optimizer
 
convnet = regression(convnet, optimizer='adam', learning_rate=LEARNING_RATE, loss='categorical_crossentropy', name='targets')
 
model = tflearn.DNN(convnet, tensorboard_dir='log')

import tensorflow as tf

tf.reset_default_graph()

convnet = input_data(shape=[None, IMAGE_SIZE, IMAGE_SIZE, 1], name='input')

#Conv Layer 1

convnet = conv_2d(convnet, 32, 5, activation='relu')