使用卷积神经网络开发图像分类模型

1047521767

                                                   使用卷积神经网络开发图像分类模型
简介

% T7 G& C. t4 S2 h+ A0 u' O这篇文章是关于卷积网络、它的工作和组件: 在本文中，我们将使用卷积神经网络执行图像分类，并详细了解所有步骤。因此，如果你对此不熟悉，请继续阅读。
% Z3 e" q$ M7 O7 B2 o
简而言之，CNN 是一种深度学习算法，也是适用于图像和视频的神经网络类型之一。我们可以从 CNN 中实现各种功能，其中一些是图像分类、图像识别、目标检测、人脸识别等等。
( ^1 \. f4 u7 ^  V% ~, A7 R$ }
今天，我们将对CIFAR10 数据集执行图像分类，它是 Tensorflow 库的一部分。它由各种物体的图像组成，如船舶、青蛙、飞机、狗、汽车。该数据集共有 60,000 张彩色图像和 10 个标签。现在让我们进入编码部分。
* _: ]1 ?# ]2 I
8 L8 t4 U0 m8 n% a% |  P! f实施
- a- v! R5 @/ f5 J. a0 c9 g
; A3 p2 B& ]' a8 s* G! R+ w) {" B; _# importing necessary libraries
import numpy as np
import matplotlib.pyplot as plt
# x7 I! s3 o) W7 N$ X/ Y6 l%matplotlib inline
3 R! Y' N( y$ g" A0 H4 @- t9 E# To convert to categorical data
4 J# g& M8 u# a, ffrom tensorflow.keras.utils import to_categorical
#libraries for building model
from tensorflow.keras.models import Sequential
) N; J  R* M' v+ }8 E5 Kfrom tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Dropout,Flatten
from tensorflow.keras.datasets import cifar10
4 \3 ]0 D  m/ v* o, N1 u
#loading the data
(X_train, y_train), (X_test, y_test) = cifar10.load_data()

+ ]/ k3 O6 H& E探索性数据分析
#shape of the dataset
0 E& B8 h& L8 O/ y# ?' D, iprint(X_train.shape)
print(y_train.shape)
; I9 c- j# W6 Q; L# kprint(X_test.shape)
print(y_test.shape)


我们的训练数据有 50,000 张图像，测试数据有 10,000 张图像，大小为 32*32 和 3 个通道，即 RGB（红、绿、蓝）
+ u8 D. e  @$ B# Y. M6 P5 f4 ]#checking the labels
np.unique(y_train)
5 |5 B6 y4 q4 e; v! q
8 k" u( N% W! c5 ?' a3 |  T2 v& [
8 }( d" y/ Z  H& }6 D; u#first image of training data
plt.subplot(121)
plt.imshow(X_train[0])
. S) `+ B2 j# vplt.title("Label : {}".format(y_train[0]))
* S9 \/ j* C" X7 c#first image of test data
. F3 N* X7 K3 j; Q$ Iplt.subplot(122)
5 K4 }: G, H3 {2 Rplt.imshow(X_test[0])
' k- X/ j. z5 gplt.title("Label : {}".format(y_test[0]));

9 n0 t- _+ C7 h
2 M% G0 _- l4 B0 {; D#visualizing the first 20 images in the dataset
for i in range(20):
    #subplot
    plt.subplot(5, 5, i+1)
    # plotting pixel data
, W! j( c; L8 x; \9 a  }    plt.imshow(X_train, cmap=plt.get_cmap('gray'))
# show the figure
9 L* E4 @' _4 Q6 Dplt.show()
  @5 [. y9 A2 V; @4 h# O5 f8 r

预处理数据

对于数据预处理，我们只需要在这里执行两个步骤，首先是缩放图像的像素值到0到1之间，然后是将标签从 2D 重塑为 1D

# Scale the data to lie between 0 to 1
# c4 y6 Q3 _& e! R2 \! P/ ~$ bX_train = X_train/255
X_test = X_test/255
print(X_train)
5 i) r% \0 m2 z
4 ^$ o! k9 z* Z  E0 E
. F6 V" `0 L, J8 E# _#reshaping the train and test lables to 1D
, K3 B7 R2 Q, p7 m& D  Ry_train = y_train.reshape(-1,)
! P  {; i6 [+ M* R9 j. L# x' hy_test = y_test.reshape(-1,)

我们在上图中可以看到，图像的像素值已经进行了缩放，其数值在 0 到 1 之间，并且标签也进行了重塑。数据已准备好建模，现在让我们构建 CNN 模型。
5 b1 E8 @# \8 N3 Y, p: `6 R模型搭建

正如我们之前讨论的，深度学习模型的构建分为 5 个步骤，即定义模型、编译模型、拟合模型、评估模型和进行预测，这也是我们在这里要做的。

model=Sequential()
#adding the first Convolution layer
model.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
#adding Max pooling layer
* \6 p2 Q3 X% x  [model.add(MaxPool2D(2,2))
9 ]8 i: G: I) L- M$ u  ~#adding another Convolution layer
' k6 s0 l% q4 x8 n3 Fmodel.add(Conv2D(64,(3,3),activation='relu'))
4 n0 \4 O9 ]* U0 @6 F& u$ W: rmodel.add(MaxPool2D(2,2))
model.add(Flatten())
#adding dense layer
: T  I" I  I1 Umodel.add(Dense(216,activation='relu'))
#adding output layer
. u3 e, Q$ K( c9 ~model.add(Dense(10,activation='softmax'))
0 X. K( X4 B2 f' b
我们添加了第一个带有 32 个大小为 (3*3) 的过滤器的卷积层，使用的激活函数是 Relu，并为模型提供输入形状。

接下来添加了大小为 (2*2)的Max Pooling 层。最大池化有助于减少维度。CNN 组件的解释请参考：https://www.analyticsvidhya.com/blog/2021/08/beginners-guide-to-convolutional-neural-network-with-implementation-in-python/
  I4 U* `. W, [+ N
3 Q5 L4 @* F5 ^- {' h( `然后我们又添加了一个卷积层， 其中包含 64 个大小为(3*3) 的过滤器 和一个大小为 (2*2)的 最大池化层

在下一步中，我们将层展平以将它们传递到 Dense 层，并添加了一个包含 216 个神经元的Dense 层。

最后，输出层添加了一个 softmax 激活函数，因为我们有 10 个标签。
$ L# E2 Q2 S% \+ y% b+ p7 w1 k4 m( `
: E7 X8 B' t& t1 J& U6 y第 2 步：编译模型
model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

第 3 步：拟合模型model.fit(X_train,y_train,epochs=10)
3 ?: P+ \8 P3 T+ ~! Z# \

如上图所示，我们的准确率为 89%，损失为 0.31。让我们看看测试数据的准确性。
) a# m$ a$ {+ c/ q: i第 4 步：评估模型model.evaluate(X_test,y_test)

$ k9 o3 A  T# G# B( U
测试数据的准确率为 69%，与训练数据相比非常低，这意味着我们的模型过度拟合。
: X3 D- r) L/ I& t, a: G! [' S2 f第 5 步：进行预测
% P) j! d8 k* @2 W1 Cpred=model.predict(X_test)
#printing the first element from predicted data
( |1 A1 |* B/ @$ rprint(pred[0])
#printing the index of
print('Index:',np.argmax(pred[0]))

& k/ p2 g  ?" O9 G$ d1 w

0 c- o7 k+ I" m3 G) ]8 L4 C; [

因此，预测函数给出的是所有10个标签的概率值，概率最高的标签是最终预测。在我们的例子中，我们得到了第三个索引处的标签作为预测。

将预测值与实际值进行比较以查看模型执行的正确程度。

在下图中，我们可以看到预测值与实际值的差异。

y_classes = [np.argmax(element) for element in pred]
print('Predicted_values:',y_classes[:10])
2 ^( |0 M: B* u2 z2 Jprint('Actual_values:',y_test[:10])
" s6 ?! n: X! ~5 P* ~2 W

9 i& z9 V- y& e. ^

当我们看到我们的模型过度拟合时，我们可以使用一些额外的步骤来提高模型性能并减少过度拟合，例如向模型添加 Dropouts或执行数据增强，因为过度拟合问题也可能是由于可用数据量较少。

在这里，我将展示我们如何使用 Dropout 来减少过拟合。我将为此定义一个新模型。

  B* ]) r6 t! u2 q4 b* V: Cmodel4=Sequential()
#adding the first Convolution layer
- Q; u) M; S5 L2 lmodel4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
; J, |/ t: |8 @# u#adding Max pooling layer
model4.add(MaxPool2D(2,2))
5 _' q$ @- B1 d1 O1 ~#adding dropout
model4.add(Dropout(0.2))
& r! A2 C) i: J0 ?( K! X#adding another Convolution layer
model4.add(Conv2D(64,(3,3),activation='relu'))
model4.add(MaxPool2D(2,2))
4 _" w( d* a5 o1 L# L5 r#adding dropout
% _- h1 |- ]$ b2 smodel4.add(Dropout(0.2))
model4.add(Flatten())
0 {1 X* E) |" e#adding dense layer
; G9 C  k  a5 |! nmodel4.add(Dense(216,activation='relu'))
#adding dropout
model4.add(Dropout(0.2))
#adding output layer
model4.add(Dense(10,activation='softmax'))
3 `1 H! m9 K& b" Umodel4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
) K% S7 U$ O! E, W* z% }8 C' }* a5 hmodel4.fit(X_train,y_train,epochs=10)
+ b6 }$ {- `  p

model4.evaluate(X_test,y_test)
2 \; W4 R; ~6 @4 v7 ?! p
通过这个模型，我们得到了76%的训练准确率（低于第一个模型），但我们得到了72%的测试准确率，这意味着过拟合的问题在一定程度上得到了解决。
) l! ~( J* W6 B6 c( W' ~2 \$ m
尾注
. W7 W+ _. e4 d0 |) T这就是我们在 Python 中实现 CNN 的方式。这里使用的数据集是一个简单的数据集，可用于学习目的，但一定要尝试在更大和更复杂的数据集上实现 CNN。这也将有助于发现更多挑战和解决方案。

, D7 }* C+ n2 O. ]$ P0 v

3 e9 ^4 D, y8 ]$ f" [2 r