这篇教程keras笔记(3)-猫狗数据集上的训练以及单张图片多张图片的测试写得很实用，希望能帮到您。
数据集下载
猫狗数据集：https://pan.baidu.com/s/13hw4LK8ihR6-6-8mpjLKDA 密码：dmp4
代码
对于猫狗数据上的训练，存在一点问题在与不能够将所有的训练集读入到内存，这时候需要用到keras中的
model.fit_generator()
接下来还是看代码吧
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from keras.optimizers import RMSprop
from keras.preprocessing.image import ImageDataGenerator
#下面的一部分是进行数据预处理
import os
import shutil
dataset_dir = 'kaggle/train/'
train_cats_dir = 'kaggle/train/cats/'
train_dogs_dir = 'kaggle/train/dogs/'
validation_cats_dir = 'kaggle/validation/cats/'
validation_dogs_dir = 'kaggle/validation/dogs/'
if not os.path.exists(train_cats_dir):
os.mkdir(train_cats_dir)
if not os.path.exists(train_dogs_dir):
os.mkdir(train_dogs_dir)
if not os.path.exists(validation_cats_dir):
os.mkdir('kaggle/validation/')
os.mkdir(validation_cats_dir)
if not os.path.exists(validation_dogs_dir):
os.mkdir(validation_dogs_dir)
cat_count = 0
dog_count = 0
image_list = os.listdir(dataset_dir)
for image in image_list:
print(image)
animal = image.split('.')[0]
image_path = os.path.join(dataset_dir, image)
if animal == 'cat':
cat_count += 1
if cat_count % 5 == 0:
shutil.move(image_path, validation_cats_dir)
else:
shutil.move(image_path, train_cats_dir)
if animal == 'dog':
dog_count += 1
if dog_count % 5 == 0:
shutil.move(image_path, validation_dogs_dir)
else:
shutil.move(image_path, train_dogs_dir)
train_dir = 'kaggle/train/'
validation_dir = 'kaggle/validation/'
train_datagen = ImageDataGenerator(rescale=1. / 255)
validation_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_dir, # target directory
target_size=(150, 150), # resize图片
batch_size=20,
class_mode='binary'
)
validation_generator = validation_datagen.flow_from_directory(
validation_dir,
target_size=(150, 150),
batch_size=20,
class_mode='binary'
)
for data_batch, labels_batch in train_generator:
print('data batch shape:', data_batch.shape)
print('labels batch shape:', labels_batch.shape)
break
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu',
input_shape=(150, 150, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
print(model.summary())
model.compile(loss='binary_crossentropy',
optimizer=RMSprop(lr=1e-4),
metrics=['acc'])
hist = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=30,
validation_data=validation_generator,
validation_steps=50)
model.save('cat_and_dog.h5')
上面的代码首先将kaggle/train/中的数据集分成两个部分，一部分是train的，一部分是validation的。因为model.fit_generator()函数的需求，还需要将train集中的猫狗数据分别放在kaggle/train/cats/和kaggle/train/dogs/；同理也需要将validation中的数据这样处理。然后就可以直接训练了。
注释：如果不成功的话，最好删除生成的kaggle文件，然后放上原始的kaggle文件。
解释
需要解释的估计就是model.fit_generator()
还有关于ImageDataGenerator的使用方法
fit_generator
fit_generator(self, generator, steps_per_epoch=None, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_queue_size=10, workers=1, use_multiprocessing=False, shuffle=True, initial_epoch=0)
使用 Python 生成器或 Sequence 实例逐批生成的数据，按批次训练模型。
生成器与模型并行运行，以提高效率。 例如，这可以让你在 CPU 上对图像进行实时数据增强，以在 GPU 上训练模型。
keras.utils.Sequence 的使用可以保证数据的顺序， 以及当 use_multiprocessing=True 时 ，保证每个输入在每个 epoch 只使用一次。
参数
generator: 一个生成器或 Sequence (keras.utils.Sequence)。 生成器的输出应该为以下之一：
一个 (inputs, targets) 元组
一个 (inputs, targets, sample_weights) 元组。 所有的数组都必须包含同样数量的样本。生成器将无限地在数据集上循环。当运行到第 steps_per_epoch 时，记一个 epoch 结束。
steps_per_epoch: 在声明一个 epoch 完成并开始下一个 epoch 之前从 generator 产生的总步数（批次样本）。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
epochs: 整数，数据的迭代总轮数。请注意，与 initial_epoch 一起，参数 epochs 应被理解为 「最终轮数」。模型并不是训练了 epochs 轮，而是到第 epochs 轮停止训练。
verbose: 日志显示模式。0，1 或 2。
callbacks: 在训练时调用的一系列回调函数。
validation_data: 它可以是以下之一：
验证数据的生成器或 Sequence 实例
一个 (inputs, targets) 元组
一个 (inputs, targets, sample_weights) 元组。
validation_steps: 仅当 validation_data 是一个生成器时才可用。 每个 epoch 结束时验证集生成器产生的步数。它通常应该等于你的数据集的样本数量除以批量大小。可选参数 Sequence：如果未指定，将使用len(generator) 作为步数。
class_weight: 将类别映射为权重的字典。
max_queue_size: 生成器队列的最大尺寸。
workers: 使用的最大进程数量。
use_multiprocessing: 如果 True，则使用基于进程的多线程。 请注意，因为此实现依赖于多进程，所以不应将不可传递的参数传递给生成器，因为它们不能被轻易地传递给子进程。
shuffle: 是否在每轮迭代之前打乱 batch 的顺序。只能与 Sequence (keras.utils.Sequence) 实例同用。
initial_epoch: 开始训练的轮次（有助于恢复之前的训练）。
返回
一个 History 对象。
问题
使用这种方法进行训练，感觉标签就是文件夹的个数，对于大规模的数据训练还是不怎么好用，可以使用接下来的博客，可以将所有图片的地址保存到内存中，然后进行训练。这样就不会出现内存不足的情况了
单张图片多张图片的测试
直接代码吧
import os
from keras.models import load_model
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
#单张图片的识别
model = load_model('cats_and_dogs_small_1.h5')
img = image.load_img('kaggle/test1/2.jpg', target_size=(150, 150))
# plt.imshow(img)
# plt.show()
#【3】将图片转化为4d tensor形式
x = image.img_to_array(img)
print(x.shape) #(224, 224, 3)
x = np.expand_dims(x, axis=0)
print(x.shape) #(1, 224, 224, 3)
pres = model.predict(x)
print(int(pres[0][0]))
if int(pres[0][0]) > 0.5:
print('识别的结果是狗')
#多张图片的识别,这里买可以从kaggle/test1/中复制几张图片放到一个新建的文件夹test中，然后进行测试
#如果加载kaggle/test1/中的全部分会超出内存，当然也可以使用训练时候的策略进行测试
file_list = os.listdir('test_image/')
images = []
for file in file_list:
# print(file)
img = image.load_img(os.path.join('test_image/', file), target_size=(150, 150))
img = image.img_to_array(img)
img = np.expand_dims(img, axis=0)
images.append(img)
x_train = np.array(images, dtype="float") / 255.0
x = np.concatenate([x for x in x_train])
#预测
y = model.predict(x)
#根据结果可以看出来，0代表的是猫，1代表的是狗。
# 同时也可以从训练cats_and_dogs_small/train/里面文件的顺序知道类别代表的信息
for i in range(len(file_list)):
print(y[i][0])
# print('image class:', int(y[i]))
# print('image class:', round(y[i]))
if y[i][0] > 0.5:
print('image {} class:'.format(file_list[i]), 1)
else:
print('image {} class:'.format(file_list[i]), 0)
原文链接：https://blog.csdn.net/pursuit_zhangyu/article/details/85226734
利用ResNet50网络进行ImageNet分类
keras中对多张输入图片进行预测并返回预测结果 |
