訂閱
糾錯(cuò)
加入自媒體

python+keras:識(shí)別狗的品種,準(zhǔn)確率超過(guò)80%!

model.fit(train_generator, epochs=5, validation_data=valid_generator, callbacks=[checkpointer])我們使用一個(gè)ModelCheckpoint的回調(diào)來(lái)保存驗(yàn)證分?jǐn)?shù)較高的模型。通過(guò)測(cè)試模型,我們得到的準(zhǔn)確率只有1%左右使用遷移學(xué)習(xí)現(xiàn)在,我們使用遷移學(xué)習(xí)來(lái)實(shí)現(xiàn)更高的準(zhǔn)確率。首先我們下載ResNet-50,可以通過(guò)運(yùn)行下面的代碼來(lái)提取相應(yīng)的訓(xùn)練集、測(cè)試和驗(yàn)證集:bottleneck_features = np.load('Data/bottleneck_features/DogResnet50Data.npz')train_Resnet50 = bottleneck_features['train']valid_Resnet50 = bottleneck_features['valid']test_Resnet50 = bottleneck_features['test']我們現(xiàn)在再次定義模型,并對(duì)提取的特征使用GlobalAveragePooling2D,它將一組特征平均為一個(gè)值。最后,如果驗(yàn)證損失在兩個(gè)連續(xù)的epoch內(nèi)沒(méi)有增加,我們使用額外的回調(diào)來(lái)降低學(xué)習(xí)率;如果驗(yàn)證損失在連續(xù)的5個(gè)epoch內(nèi)沒(méi)有增加,可以提前停止訓(xùn)練。Resnet50_model = tf.keras.models.Sequential()Resnet50_model.a(chǎn)dd(tf.keras.layers.GlobalAveragePooling2D(input_shape=train_Resnet50.shape[1:]))Resnet50_model.a(chǎn)dd(tf.keras.layers.Dense(1024, activation='relu'))Resnet50_model.a(chǎn)dd(tf.keras.layers.Dense(133, activation='softmax'))

Resnet50_model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

checkpointer = tf.keras.callbacks.ModelCheckpoint(filepath='saved_models/weights_best_Resnet50.hdf5',                                verbose=1, save_best_only=True)early_stopping = tf.keras.callbacks.EarlyStopping(patience=5, monitor='val_loss')

reduce_lr = tf.keras.callbacks.ReduceLROnPlateau(patience=2, monitor='val_loss')Resnet50_model.fit(train_Resnet50, train_targets,           validation_data=(valid_Resnet50, valid_targets),          epochs=50, batch_size=20, callbacks=[checkpointer, early_stopping, reduce_lr], verbose=1)### 訓(xùn)練模型最后在測(cè)試集上的準(zhǔn)確率為82.65%,這與我們白手起家訓(xùn)練的模型相比,是一個(gè)巨大的進(jìn)步。構(gòu)建web應(yīng)用程序?qū)τ趙eb應(yīng)用程序,我們首先編寫(xiě)了一個(gè)helper函數(shù),該函數(shù)接受圖像路徑并返回品種。label_to_cat字典將每個(gè)數(shù)字標(biāo)簽映射到它的狗品種。def predict_breed(img_path):    '''預(yù)測(cè)給定圖像的品種'''    # 提取特征    bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))    bottleneck_feature = tf.keras.models.Sequential([                            tf.keras.layers.GlobalAveragePooling2D(input_shape=bottleneck_feature.shape[1:])                        ]).predict(bottleneck_feature).reshape(1, 1, 1, 2048)    # 獲得預(yù)測(cè)向量    predicted_vector = Resnet50_model.predict(bottleneck_feature)    # 模型預(yù)測(cè)的犬種    return label_to_cat[np.a(chǎn)rgmax(predicted_vector)]對(duì)于web應(yīng)用程序,我們將使用flaskweb框架來(lái)幫助我們用最少的代碼創(chuàng)建web應(yīng)用程序。我們定義一個(gè)接受圖像的路由,并用狗的品種呈現(xiàn)一個(gè)輸出模板@app.route('/upload', methods=['POST','GET'])def upload_file():    if request.method == 'GET':        return render_template('index.html')    else:        file = request.files['image']        full_name = os.path.join(UPLOAD_FOLDER, file.filename)        file.save(full_name)        dog_breed = dog_breed_classifier(full_name)    return render_template('predict.html', image_file_name = file.filename, label = dog_breed)predict.html是分別顯示圖像及其犬種的模板。結(jié)論祝賀你!你已經(jīng)成功地實(shí)現(xiàn)了一個(gè)狗品種分類(lèi)器,并且可以準(zhǔn)確地分辨出狗的品種。讓我們總結(jié)一下我們?cè)谶@里學(xué)到的知識(shí):我們對(duì)數(shù)據(jù)集進(jìn)行了分析和預(yù)處理。機(jī)器學(xué)習(xí)算法需要單獨(dú)的訓(xùn)練集、測(cè)試集和驗(yàn)證集來(lái)進(jìn)行置信預(yù)測(cè)。我們從零開(kāi)始使用CNN,由于未能提取特征,所以表現(xiàn)不佳。然后我們使用了遷移學(xué)習(xí),準(zhǔn)確度大大提高最后,我們構(gòu)建了一個(gè)Flask web應(yīng)用程序來(lái)實(shí)現(xiàn)我們的項(xiàng)目封裝我們確實(shí)學(xué)到了很多東西,但你還可以嘗試很多其他的事情。你可以在heroku上部署web應(yīng)用程序,也可以嘗試使用不同的層(如Dropout層)來(lái)提高準(zhǔn)確性。參考鏈接:https://towardsdatascience.com/dont-know-the-breed-of-your-dog-ml-can-h(huán)elp-6558eb5f7f05

☆ END ☆

<上一頁(yè)  1  2  
聲明: 本文由入駐維科號(hào)的作者撰寫(xiě),觀點(diǎn)僅代表作者本人,不代表OFweek立場(chǎng)。如有侵權(quán)或其他問(wèn)題,請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過(guò)于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無(wú)評(píng)論

暫無(wú)評(píng)論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號(hào)
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯(cuò)
x
*文字標(biāo)題:
*糾錯(cuò)內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號(hào)