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
4 x. g6 _  @- b2 X简介

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。

$ h1 w4 W# g& E) V' _1 D. l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。

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

" E$ Q2 @4 w4 J6 \# importing necessary libraries
import numpy as np
1 x  i8 ?- H; aimport matplotlib.pyplot as plt
%matplotlib inline
# To convert to categorical data
from tensorflow.keras.utils import to_categorical
#libraries for building model
( `4 [) \8 i3 Pfrom tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Dropout,Flatten
5 G( q0 D3 \0 T; w- s6 V" @; Z9 qfrom tensorflow.keras.datasets import cifar10

#loading the data
8 P  H4 f# k: s+ t+ k' d" o! L$ Q* o(X_train, y_train), (X_test, y_test) = cifar10.load_data()
0 `& G0 y3 z% U7 E: x
  Z) {3 C6 m0 p4 E  q# B) x5 M探索性数据分析
( D( j$ [5 E1 z# m#shape of the dataset
$ }! c- U( r: I: R0 k1 Wprint(X_train.shape)
* S# Q* v. n) v  d6 pprint(y_train.shape)
! N8 J! A1 U9 P+ g9 M$ lprint(X_test.shape)
print(y_test.shape)
" y  b' D6 O. `1 ]

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）
& |  P( ]0 f  k( @#checking the labels
  V& V, p. v2 }' K# U' |% dnp.unique(y_train)
6 l2 @% u2 W) P. i0 w
7 I$ k# J; i; V
#first image of training data
, ^' ]3 Y8 K9 _plt.subplot(121)
plt.imshow(X_train[0])
plt.title("Label : {}".format(y_train[0]))
#first image of test data
plt.subplot(122)
plt.imshow(X_test[0])
* k3 U* x; N5 x! s% g! g$ [plt.title("Label : {}".format(y_test[0]));

: ?, I8 N3 T; M1 p
+ c4 X# `% ~9 l#visualizing the first 20 images in the dataset
% {' _: {# ]% t; @for i in range(20):
: Z6 ^8 i# k# C& E" w    #subplot
    plt.subplot(5, 5, i+1)
    # plotting pixel data
+ s6 X; b) m* B, \4 z5 a5 G    plt.imshow(X_train, cmap=plt.get_cmap('gray'))
# show the figure
1 |+ [$ j' w, r* g8 Eplt.show()

4 N" S6 c% V5 {7 B' w
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
- S0 l8 y5 F7 c0 R) XX_test = X_test/255
print(X_train)
. {7 x- y' z% c

#reshaping the train and test lables to 1D
9 Y) j4 Q( _9 W  by_train = y_train.reshape(-1,)
y_test = y_test.reshape(-1,)
( H6 d0 O9 g! g7 ?- m
: e6 F- D! X7 Z3 J. s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。
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()
" K7 ~9 K; F# Z: N; Y#adding the first Convolution layer
2 d/ {$ T1 ?, B2 T. M. imodel.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
5 n" M4 O0 F9 c4 p% J#adding Max pooling layer
model.add(MaxPool2D(2,2))
#adding another Convolution layer
* n( c- }8 z- @& \, J9 ?model.add(Conv2D(64,(3,3),activation='relu'))
" ?; B/ D" X* D1 Rmodel.add(MaxPool2D(2,2))
model.add(Flatten())
( x9 P+ T) B2 N& y" z# u#adding dense layer
model.add(Dense(216,activation='relu'))
) s. y$ J$ _7 l3 C' g+ r#adding output layer
model.add(Dense(10,activation='softmax'))

. @* n% ~. a" I- l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。

) z" I5 a4 U" ~/ i* m8 s- F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/

" H: _/ }( s( d! _( L* t4 d  ~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
4 U! g' ?: K" e, t
. g8 u$ v9 P% v5 B# h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。
- O/ [& ^' o; P
5 ?/ |/ o  \1 A9 Z3 v) I/ T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)
4 P: x7 O1 A3 r! L

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。
第 4 步：评估模型model.evaluate(X_test,y_test)

$ G% l& }" v* c+ E) 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。
第 5 步：进行预测
. `, q6 o& H7 b* {5 o: [% cpred=model.predict(X_test)
#printing the first element from predicted data
print(pred[0])
4 Z. x3 t8 e& t" u1 |#printing the index of
# {! [& `9 F; @% x5 hprint('Index:',np.argmax(pred[0]))


: Z; ^3 ~2 z6 C/ z. H4 O
1 j3 {. J) i7 W+ A. q4 k0 J( v

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]
+ A; G# }. t5 H4 n5 Uprint('Predicted_values:',y_classes[:10])
print('Actual_values:',y_test[:10])
. X0 V  n8 B9 L  [) `( D

7 z- s  z% X0 L8 W" r7 d

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。

! E3 B) J+ P2 r" e  |model4=Sequential()
9 _5 T6 e- i$ q; E8 d& Q8 y  I#adding the first Convolution layer
  W0 y+ \' ^$ N! ~model4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
* X! ]; B8 l$ h! f& \#adding Max pooling layer
model4.add(MaxPool2D(2,2))
#adding dropout
model4.add(Dropout(0.2))
4 m1 V+ k7 V3 ^/ Y- D#adding another Convolution layer
model4.add(Conv2D(64,(3,3),activation='relu'))
  }+ ?( o/ G1 y3 l' w0 s2 y) cmodel4.add(MaxPool2D(2,2))
& h2 `) ]7 O7 ?" K+ T8 S#adding dropout
model4.add(Dropout(0.2))
$ @; o$ ^9 l" t# Ymodel4.add(Flatten())
0 P; T) W; @" W; l  x* I#adding dense layer
model4.add(Dense(216,activation='relu'))
5 B  I3 ?: ]) A6 X#adding dropout
, ]& j' D. A6 B0 B$ Xmodel4.add(Dropout(0.2))
4 R$ \$ [8 D6 r7 u. ~#adding output layer
' I* K1 a( u0 t. U7 |7 Xmodel4.add(Dense(10,activation='softmax'))
model4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
6 m. k6 T  d* z( X& h1 S8 Emodel4.fit(X_train,y_train,epochs=10)


% Q" m8 t! K# n+ }% \model4.evaluate(X_test,y_test)

% \4 q$ ?, S/ B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。
1 P2 ~- ?( i* D
" |. N# V8 r) u! p1 J5 `2 m尾注
* F0 ?5 v5 _* b- ^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。

. t- ^+ M  n6 T( z2 V
  R6 m2 p, h/ e7 F
1 {9 M/ b( X( v" j$ |4 s