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
3 V9 f! E- o8 o0 {简介
0 A- B6 S4 s$ L
' o9 g, \4 x: h: H/ Q* z- z" e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。

" F. |* i# o. Q/ t& _3 D# R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。
8 A7 z8 }  G% N0 \
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。

实施

( W8 g+ k6 A7 w+ c! u# importing necessary libraries
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
# To convert to categorical data
: {  M& T; _5 h. ^3 G  Qfrom tensorflow.keras.utils import to_categorical
6 N8 S4 }7 ]; G8 M) V6 \1 I#libraries for building model
" o, T" @& A: s) Bfrom tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Dropout,Flatten
8 L: q* c& v# m1 U9 \3 Xfrom tensorflow.keras.datasets import cifar10

#loading the data
: Q# X1 w+ u) w' u) y  d(X_train, y_train), (X_test, y_test) = cifar10.load_data()

探索性数据分析
#shape of the dataset
* ?) A0 l+ y' i: Dprint(X_train.shape)
print(y_train.shape)
% ]6 O6 H( i" M8 r) |9 O/ _, lprint(X_test.shape)
* ^5 f+ n$ l. C6 Gprint(y_test.shape)


2 r1 ~5 v2 @8 R: l0 `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）
( }$ J' X  `' H  u% O' m. T#checking the labels
np.unique(y_train)


% Z- ?+ m4 K9 K3 H& l" H& M# [#first image of training data
plt.subplot(121)
! [' Z: F1 r5 a8 Y0 q. d7 w. ^4 m) Mplt.imshow(X_train[0])
( e! r6 w7 i( @+ I) ~5 gplt.title("Label : {}".format(y_train[0]))
. T! n) x+ `  C% {7 V#first image of test data
, G; w; r" e" M- O, g0 n  Pplt.subplot(122)
plt.imshow(X_test[0])
+ r0 r( p, \0 A# z* \. A, xplt.title("Label : {}".format(y_test[0]));


7 d  [5 N3 d8 F, [#visualizing the first 20 images in the dataset
' b1 M% j& @8 u* i  ]for i in range(20):
( s- R! o  b% ]    #subplot
    plt.subplot(5, 5, i+1)
/ E: |4 H# w. p+ [$ ]: l1 ]    # plotting pixel data
1 ^3 D( Q. A' `! h2 N4 T    plt.imshow(X_train, cmap=plt.get_cmap('gray'))
% e3 _5 C# U9 b3 t8 O+ @; r# show the figure
+ h8 q1 m1 Q# o1 |& Aplt.show()
  [% \8 v- G4 C4 h; Y$ g

+ ?0 ~: V" r8 v9 y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
X_train = X_train/255
X_test = X_test/255
1 q6 n0 l# s' R1 tprint(X_train)
+ A% u; B( g/ B+ g/ \" F  o

#reshaping the train and test lables to 1D
% r* E, I2 L2 V% my_train = y_train.reshape(-1,)
y_test = y_test.reshape(-1,)
5 O" w5 \" T0 r) _
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。
( m' n% F" F+ Z9 [/ V8 n% N+ Y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。

8 ~2 u2 m$ M+ u* c6 Q/ F' Xmodel=Sequential()
! z6 e5 R9 L( [. ~2 G4 g+ @#adding the first Convolution layer
model.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
2 H$ Q' ?& z# y' n( O* S8 P#adding Max pooling layer
model.add(MaxPool2D(2,2))
#adding another Convolution layer
& V: R  O& @- A8 M& [9 f, ~" p, tmodel.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPool2D(2,2))
. P7 c% F) d- @/ x# s1 Pmodel.add(Flatten())
#adding dense layer
: p) I% K1 p7 y' ?4 X8 b9 P( d8 Y- fmodel.add(Dense(216,activation='relu'))
6 {  |, }5 O! H#adding output layer
model.add(Dense(10,activation='softmax'))
: e+ |$ j6 ^2 g4 c# P
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。
  G$ O6 O- ?! O7 f* t  U
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/
, _) _7 J; O, D/ r/ ?
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
# U: Z: B- S' C) p5 Z) K
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。
) r8 F; }% x8 k% |( {7 ~
- v/ {3 u8 p  n& ~最后，输出层添加了一个 softmax 激活函数，因为我们有 10 个标签。
% [0 c! B! z3 y
第 2 步：编译模型
model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
3 Z8 Z( ~$ P+ ~* J' U8 i
2 N* Y  w3 s; I( z1 @1 Y第 3 步：拟合模型model.fit(X_train,y_train,epochs=10)
' M( V6 j* c. [% y
" y( \( l. r% {4 h
. x8 z! \3 I, Q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。
) `; |# m* ~0 {: ~. q) S第 4 步：评估模型model.evaluate(X_test,y_test)


$ T0 ^  ^% O9 {# g$ h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。
" S  b- J* H* N' m7 t# E. j8 v第 5 步：进行预测
% N) m* i8 o: ^pred=model.predict(X_test)
#printing the first element from predicted data
3 {! O0 Y' Y5 l1 e/ fprint(pred[0])
- k9 Z/ n! I$ D! }2 u9 B) A! o#printing the index of
& G) t% z6 {  a8 v0 a' nprint('Index:',np.argmax(pred[0]))
% s' h& Z) S5 ?* Z4 G

9 {0 e* W5 g# [( X' s

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]
* I3 _2 {# r4 e7 M/ g" E9 eprint('Predicted_values:',y_classes[:10])
print('Actual_values:',y_test[:10])
: ]8 f* |) M2 Z, c9 r* X6 o
) G* N( O6 M* e* o1 W. v

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。

model4=Sequential()
#adding the first Convolution layer
2 x( |8 J: j; j$ c) Bmodel4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
#adding Max pooling layer
8 u. ^5 [. Y( ~7 qmodel4.add(MaxPool2D(2,2))
#adding dropout
model4.add(Dropout(0.2))
#adding another Convolution layer
model4.add(Conv2D(64,(3,3),activation='relu'))
model4.add(MaxPool2D(2,2))
; K7 Q6 l( s% l#adding dropout
model4.add(Dropout(0.2))
# v2 ?& m) L: n5 W6 @, I/ o) lmodel4.add(Flatten())
% [* L# o7 T5 j# P$ u# F#adding dense layer
, U. P  x( `7 s$ _$ H% D8 e* F6 bmodel4.add(Dense(216,activation='relu'))
#adding dropout
% F, t# \3 \0 R) U3 Wmodel4.add(Dropout(0.2))
#adding output layer
model4.add(Dense(10,activation='softmax'))
model4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
; @' z! F7 x, h: Z7 \  K% \9 ?5 imodel4.fit(X_train,y_train,epochs=10)

3 ]" I7 b2 I+ W6 V6 \( i5 t
- E1 M* [4 W& p& h; w! umodel4.evaluate(X_test,y_test)

# _. `( B. |9 U, s  N: x: j1 |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。

$ i+ H8 \7 @6 ~# i6 `1 M; K尾注
( ?; q# o, n) v  G/ R" N1 u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。



! {9 D( y& c& p0 t9 O) g8 b6 ^