在 R 中使用 Keras 構建深度學習圖像分類器
介紹
深度學習和人工智能的一個重要應用是圖像分類。圖像分類是根據(jù)圖像所包含的特定特征或特征對圖像進行標記的過程。該算法識別這些特征并利用它們來區(qū)分圖像并為它們分配標簽。
卷積神經(jīng)網(wǎng)絡 (CNN) 是深度學習圖像分類模型的主要構建塊,通常用于圖像識別、圖像分類、對象檢測和其他類似任務。
Python 廣泛用于圖像分類問題。TensorFlow 和 Keras 是用于在 Python 中構建圖像分類器的兩個流行包。但是,這兩個庫也可以在 R 環(huán)境中使用。本文介紹了在 R 中使用 Keras 構建深度學習圖像分類器模型的分步方法。
MNIST 時尚圖像分類器
我們將構建一個圖像分類器,可以對服裝圖像進行分類,例如連衣裙、襯衫和夾克。
我們將使用 Fashion MNIST 數(shù)據(jù)集,該數(shù)據(jù)集包含 70,000 張灰度圖像。每張圖像都是灰度 28 x 28 圖像,分為 10 個不同的類別。每個圖像都附有一個標簽。總共有十個標簽:
· T恤/上衣
· 褲子
· 套衫
· 裙子
· 外套
· 涼鞋
· 襯衫
· 運動鞋
· 包
· 踝靴
讓我們首先導入所有必需的庫。
library(keras)
library(tidyverse)
然后使用以下命令直接從 Keras 導入 Fashion MNIST 數(shù)據(jù)集。此外,將使用 60,000 張圖像來訓練模型,并使用 10,000 張圖像來評估模型對圖像進行分類的學習效果。
fashion_mnist <- dataset_fashion_mnist()
c(train_images, train_labels) %<-% fashion_mnist$train
c(test_images, test_labels) %<-% fashion_mnist$test
我們現(xiàn)在有四個數(shù)組:train_images 和 train_labels 數(shù)組包含訓練集,這是模型用來訓練的數(shù)據(jù)。該模型針對測試集進行驗證,包括 test_images 和 test_label 數(shù)組。
每張圖片都是一個 28 x 28 的數(shù)組,像素值范圍從 0 到 255。標簽是從 0 到 9 的整數(shù)數(shù)組。這些與衣服的類別有關。之后,為每個圖像分配一個標簽。因為類名不包含在數(shù)據(jù)集中,我們將使用以下命令將它們保存在向量中,并在稍后繪制圖像時使用它們。
class_names = c('T-shirt/top',
'Trouser',
'Pullover',
'Dress',
'Coat',
'Sandal',
'Shirt',
'Sneaker',
'Bag',
'Ankle boot')
在我們訓練模型之前,讓我們看一下數(shù)據(jù)集的格式。使用下面的命令,我們將打印訓練圖像和訓練標簽的尺寸,它們是 60,000 張圖像,每張 28 × 28 像素。
dim(train_images)
dim(train_labels)
同樣,使用以下命令打印測試圖像和測試標簽的尺寸,即 10,000 張圖像,每張圖像的大小為 28 x 28 像素。
dim(test_images)
dim(test_labels)
然后,我們將使用以下命令查看數(shù)據(jù)集中的示例圖像。
options(repr.plot.width=7, repr.plot.height=7)
sample_image <- as.data.frame(train_images[7, , ])
colnames(sample_image) <- seq_len(ncol(sample_image))
sample_image$y <- seq_len(nrow(sample_image))
sample_image <- gather(sample_image, "x", "value", -y)
sample_image$x <- as.integer(sample_image$x)
ggplot(sample_image, aes(x = x, y = y, fill = value)) +
geom_tile() + scale_fill_gradient(low = "white", high = "black", na.value = NA) +
scale_y_reverse() + theme_minimal() + theme(panel.grid = element_blank()) +
theme(aspect.ratio = 1) + xlab("") + ylab("")
在訓練模型之前,必須對數(shù)據(jù)進行預處理。為了減少像素值,我們必須對數(shù)據(jù)進行歸一化。目前,所有圖像像素的值都在 0-255 之間,我們想要介于 0 和 1 之間的值。因此,我們將所有像素值除以 255.0 分為訓練集和測試集。
train_images <- train_images / 255
test_images <- test_images / 255
為確保數(shù)據(jù)格式正確,讓我們查看訓練集中的前 30 張圖像。我們還將在每個圖像下方顯示類名。
options(repr.plot.width=10, repr.plot.height=10)
par(mfcol=c(10,10))
par(mar=c(0, 0, 1.5, 0), xaxs='i', yaxs='i')
for (i in 1:30) {
img <- train_images[i, , ]
img <- t(apply(img, 2, rev))
image(1:28, 1:28, img, col = gray((0:255)/255), xaxt = 'n', yaxt = 'n',
main = paste(class_names[train_labels[i] + 1]))}
現(xiàn)在是時候建立我們的模型了。
構建模型
要構建神經(jīng)網(wǎng)絡,我們需要如下配置模型的層:
1.卷積或Conv2D層:卷積層從圖像或圖像的一部分中提取特征。我們在這里指定三個參數(shù):
· 過濾器——這是將在卷積中使用的過濾器的數(shù)量。例如,32 或 64。
· 內核大小——卷積窗口的長度。例如 (3,3) 或 (4,4)。
· 激活函數(shù)——例如,ReLU、Leaky ReLU、Tanh 和 Sigmoid。
2.Pooling 或 MaxPooling2D 層:該層用于減小圖像的大小。
3.Flatten Layer:該層將n維數(shù)組縮減為一維。
4.Dense Layer:這一層是全連接的,這意味著當前層的所有神經(jīng)元都鏈接到下一層。對于我們的模型,第一密集層有 128 個神經(jīng)元,第二密集層有 10 個神經(jīng)元。
5.Dropout Layer:為了防止模型過擬合,該層忽略了一組神經(jīng)元(隨機)。
model <- keras_model_sequential()
model %>%
layer_conv_2d(filters = 32, kernel_size = c(3,3),
activation = 'relu', input_shape = c(28, 28, 1)) %>%
layer_max_pooling_2d(pool_size = c(2,2)) %>%
layer_flatten() %>%
layer_dense(units = 128, activation = 'relu') %>%
layer_dropout(rate = 0.5) %>%
layer_dense(units = 10, activation = 'softmax')
在模型準備好進行訓練之前,需要進行一些額外的設置。這些是在模型的編譯步驟中添加的:
1.損失函數(shù)——這個函數(shù)評估我們的算法如何有效地表示數(shù)據(jù)集。根據(jù)我們的數(shù)據(jù)集,我們可以從“categorical_cross_entropy”
“binary_cross_entropy”和“sparse categorical_cross_entropy”等備選方案中進行選擇。
2.優(yōu)化器——有了這個,我們可以調整神經(jīng)網(wǎng)絡的權重和學習率。我們可以從許多優(yōu)化器中進行選擇,例如 Adam、AdaDelta、SGD 等。
3.Metrics – 這些用于評估我們模型的性能。例如,準確度、均方誤差等。
model %>% compile(
loss = 'sparse_categorical_crossentropy',
optimizer = 'adam',
metrics = c('accuracy')
)
我們模型層中的所有參數(shù)和形狀都可以使用“summary”函數(shù)查看,如下所示。
summary(model)
要開始訓練,我們將調用 fit 方法,它將使用訓練和測試數(shù)據(jù)以及以下輸入來擬合我們的模型:
history % fit(x_train, train_labels, epochs = 20,verbose=2)
1.Epochs – 整個數(shù)據(jù)集通過神經(jīng)網(wǎng)絡向前和向后發(fā)送的次數(shù)。verbose – 查看我們輸出的選擇。例如,verbose = 0 不打印任何內容
2.verbose = 1 打印進度條和每個 epoch 一行,verbose = 2 每個 epoch 打印一行。
用 20 個 Epoch 運行模型后,我們得到了 97.36% 的訓練準確率。
score % evaluate(x_train, train_labels)
cat('Train loss:', score$loss, "n")
cat('Train accuracy:', score$acc, "n")
我們可以使用以下命令繪制精度損失圖以及 Epoch :
plot(history)
現(xiàn)在我們將看到模型在測試數(shù)據(jù)集上的表現(xiàn):
score % evaluate(x_test, test_labels)
cat('Test loss:', score$loss, "n")
cat('Test accuracy:', score$acc, "n")
我們在測試數(shù)據(jù)集上獲得了 91.6% 的準確率。我們可以利用訓練好的模型對一些測試圖像進行預測。
predictions % predict(x_test)
我們從模型中得到預測,即測試集中每個圖像的標簽。我們來看第一個預測:
predictions[1, ]
預測是一組十個數(shù)字。這些表達了模特的“信心”。
作為替代方案,我們還可以使用以下命令直接打印類預測:
class_pred % predict_classes(x_test)
class_pred[1:20]
現(xiàn)在我們將繪制一些帶有他們預測的圖像。正確的預測是藍色的,而錯誤的預測是紅色的。
options(repr.plot.width=7, repr.plot.height=7)
par(mfcol=c(5,5))
par(mar=c(0, 0, 1.5, 0), xaxs='i', yaxs='i')
for (i in 1:25) {
img <- test_images[i, , ]
img <- t(apply(img, 2, rev))
predicted_label <- which.max(predictions[i, ]) - 1
true_label <- test_labels[i]
if (predicted_label == true_label) { color <- 'blue' }
else
{ color <- 'red' }
image(1:28, 1:28, img, col = gray((0:255)/255), xaxt = 'n', yaxt = 'n',
main = paste0(class_names[predicted_label + 1],
"(",class_names[true_label + 1], ")"),col.main = color)}
這就是在 R 中使用 Keras 進行圖像分類的方法!
結論
在本文中,我們學習了如何在 R 中使用 Keras 構建深度學習圖像分類器。該模型在測試數(shù)據(jù)上具有很高的準確性。但是,必須記住,準確度可能會根據(jù)訓練集而改變。因此,該模型不適用于與訓練圖像不同的圖像。
以下是本文的一些主要內容:
Tensorflow 和 Keras 都有官方的 R 支持。就像 Python 一樣,在 R 中設置和訓練模型很容易。本文中的方法可以應用于另一個圖像數(shù)據(jù)集進行分類,或者可以將訓練好的模型保存并部署為應用程序。
原文標題 : 在 R 中使用 Keras 構建深度學習圖像分類器
最新活動更多
-
10月31日立即下載>> 【限時免費下載】TE暖通空調系統(tǒng)高效可靠的組件解決方案
-
即日-11.13立即報名>>> 【在線會議】多物理場仿真助跑新能源汽車
-
11月28日立即報名>>> 2024工程師系列—工業(yè)電子技術在線會議
-
12月19日立即報名>> 【線下會議】OFweek 2024(第九屆)物聯(lián)網(wǎng)產(chǎn)業(yè)大會
-
即日-12.26火熱報名中>> OFweek2024中國智造CIO在線峰會
-
即日-2025.8.1立即下載>> 《2024智能制造產(chǎn)業(yè)高端化、智能化、綠色化發(fā)展藍皮書》
推薦專題
- 高級軟件工程師 廣東省/深圳市
- 自動化高級工程師 廣東省/深圳市
- 光器件研發(fā)工程師 福建省/福州市
- 銷售總監(jiān)(光器件) 北京市/海淀區(qū)
- 激光器高級銷售經(jīng)理 上海市/虹口區(qū)
- 光器件物理工程師 北京市/海淀區(qū)
- 激光研發(fā)工程師 北京市/昌平區(qū)
- 技術專家 廣東省/江門市
- 封裝工程師 北京市/海淀區(qū)
- 結構工程師 廣東省/深圳市