將 CNN 擬合到數(shù)據(jù)上

接下來是將 CNN 模型擬合到我們的數(shù)據(jù)集上，這樣模型將從訓練數(shù)據(jù)集中學習并更新權重。這個經過訓練的 CNN 模型可以進一步用于獲得對我們測試數(shù)據(jù)集的最終預測。我們必須遵循一些先決條件，例如降低學習率、找到模型的最佳權重并保存這些計算出的權重，以便我們可以進一步使用它們進行測試和獲得預測。

根據(jù)我們的常識，我們需要以下內容

模型的最佳權重

降低學習率

保存模型的最后權重

lrr ＝ ReduceLROnPlateau（monitor＝＇val＿acc＇，
                       patience＝3，
                       verbose＝1，
                       factor＝0．4，
                       min＿lr＝0．00001）
filepath＝＂drive／DataScience／PlantReco／weights．best＿｛epoch：02d｝－｛val＿acc：．2f｝．hdf5＂
checkpoints ＝ ModelCheckpoint（filepath， monitor＝＇val＿acc＇，
                             verbose＝1， save＿best＿only＝True， mode＝＇max＇）
filepath＝＂drive／DataScience／PlantReco／weights．last＿auto4．hdf5＂
checkpoints＿full ＝ ModelCheckpoint（filepath， monitor＝＇val＿acc＇，
                                verbose＝1， save＿best＿only＝False， mode＝＇max＇）
callbacks＿list ＝ ［checkpoints， lrr， checkpoints＿full］
＃MODEL
＃ hist ＝ model．fit＿generator（datagen．flow（trainX， trainY， batch＿size＝75），
＃                            epochs＝35， validation＿data＝（testX， testY），
＃                            steps＿per＿epoch＝trainX．shape［0］， callbacks＝callbacks＿list）
＃ LOADING MODEL
model．load＿weights（＂．．／input／plantrecomodels／weights．best＿17－0．96．hdf5＂）
dataset ＝ np．load（＂．．／input／plantrecomodels／Data．npz＂）
data ＝ dict（zip（（＂x＿train＂，＂x＿test＂，＂y＿train＂， ＂y＿test＂）， （dataset［k］ for k in dataset）））
x＿train ＝ data［＇x＿train＇］
x＿test ＝ data［＇x＿test＇］
y＿train ＝ data［＇y＿train＇］
y＿test ＝ data［＇y＿test＇］
print（model．evaluate（x＿train， y＿train））  ＃ Evaluate on train set
print（model．evaluate（x＿test， y＿test））  ＃ Evaluate on test set

混淆矩陣

混淆矩陣是一種檢查我們的模型如何處理數(shù)據(jù)的方法。這是分析模型錯誤的好方法。檢查以下代碼以獲取混淆矩陣

＃ PREDICTIONS
y＿pred ＝ model．predict（x＿test）
y＿class ＝ np．argmax（y＿pred， axis ＝ 1）
y＿check ＝ np．argmax（y＿test， axis ＝ 1）
cmatrix ＝ confusion＿matrix（y＿check， y＿class）
print（cmatrix）

獲得預測

在最后一部分，我們將獲得對測試數(shù)據(jù)集的預測。

檢查以下代碼以使用經過訓練的模型獲取預測

path＿to＿test ＝ ＇．．／input／plant－seedlings－classification／test．png＇
pics ＝ glob（path＿to＿test）
testimages ＝ ［］
tests ＝ ［］
count＝1
num ＝ len（pics）
for i in pics：
   print（str（count）＋＇／＇＋str（num），end＝＇r＇）
   tests．append（i．split（＇／＇）［－1］）
   testimages．append（cv2．resize（cv2．imread（i），（scale，scale）））
   count ＝ count ＋ 1
testimages ＝ np．asarray（testimages）

newtestimages ＝ ［］
sets ＝ ［］
getEx ＝ True
for i in testimages：
   blurr ＝ cv2．GaussianBlur（i，（5，5），0）
   hsv ＝ cv2．cvtColor（blurr，cv2．COLOR＿BGR2HSV）
   lower ＝ （25，40，50）
   upper ＝ （75，255，255）
   mask ＝ cv2．inRange（hsv，lower，upper）
   struc ＝ cv2．getStructuringElement（cv2．MORPH＿ELLIPSE，（11，11））
   mask ＝ cv2．morphologyEx（mask，cv2．MORPH＿CLOSE，struc）
   boolean ＝ mask＞0
   masking ＝ np．zeros＿like（i，np．uint8）
   masking［boolean］ ＝ i［boolean］
   newtestimages．append（masking）
   if getEx：
       plt．subplot（2，3，1）；plt．imshow（i）
       plt．subplot（2，3，2）；plt．imshow（blurr）
       plt．subplot（2，3，3）；plt．imshow（hsv）
       plt．subplot（2，3，4）；plt．imshow（mask）
       plt．subplot（2，3，5）；plt．imshow（boolean）
       plt．subplot（2，3，6）；plt．imshow（masking）
       plt．show（）
       getEx＝False
newtestimages ＝ np．asarray（newtestimages）
＃ OTHER MASKED IMAGES
for i in range（6）：
   plt．subplot（2，3，i＋1）
   plt．imshow（newtestimages［i］）

Newtestimages＝newtestimages／255
prediction ＝ model．predict（newtestimages）
＃ PREDICTION TO A CSV FILE
pred ＝ np．argmax（prediction，axis＝1）
predStr ＝ labels．classes＿［pred］
result ＝ ｛＇file＇：tests，＇species＇：predStr｝
result ＝ pd．DataFrame（result）
result．to＿csv（＂Prediction．csv＂，index＝False）、

尾注

所以在本文中，我們詳細討論了使用 CNN進行植物幼苗分類。希望你能從文中學到一些東西，它會在未來對你有所幫助。