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
  S0 ?* s- m0 ?  o/ |" P. g
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。

$ i+ D  h( _" D( I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。
, z! f9 O5 ?5 @9 j/ l0 s
3 P' I) M6 D5 W+ t& U6 Q5 ]2 S  b实施

# importing necessary libraries
import numpy as np
$ N  F. B; `7 F6 A2 r7 A) X( D( uimport matplotlib.pyplot as plt
%matplotlib inline
5 O) p. }  \5 {: O& D: Q# To convert to categorical data
: j- A# C' A% J+ X5 |$ Gfrom tensorflow.keras.utils import to_categorical
/ l3 b% j( o' Q$ h2 V, G8 d#libraries for building model
4 Z3 P7 H% X9 a: h  Q" l; B+ R  Nfrom tensorflow.keras.models import Sequential
& W$ s9 A/ b% C8 t& sfrom tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Dropout,Flatten
from tensorflow.keras.datasets import cifar10
+ z8 K+ l8 R; d' g- V  M3 J- S
#loading the data
1 J9 {2 e; v( L% t! v' K) X(X_train, y_train), (X_test, y_test) = cifar10.load_data()

* l' E# R9 r& Q: P+ {探索性数据分析
#shape of the dataset
$ S+ y" D2 f+ r0 Gprint(X_train.shape)
9 I4 {' A0 P2 @print(y_train.shape)
print(X_test.shape)
print(y_test.shape)
! S; {% c3 V. `5 H' n/ b1 i1 O
* L8 [% v% m4 {0 s
1 V$ s7 u# @7 @7 G  V2 E9 U9 w0 C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）
#checking the labels
1 E: `2 ^' N$ ]# p- B0 Cnp.unique(y_train)
: h" O4 V1 H6 f5 f& G" S
; G7 O! }' B. b3 \! D
& h( d' s0 R! O#first image of training data
plt.subplot(121)
plt.imshow(X_train[0])
: n# W" @- ?9 J: L. O9 E/ [& gplt.title("Label : {}".format(y_train[0]))
#first image of test data
plt.subplot(122)
plt.imshow(X_test[0])
plt.title("Label : {}".format(y_test[0]));
7 m$ I; r' q3 e/ ?) Y8 s8 ]0 b
, w9 z- R1 |8 A' e1 T- ?
#visualizing the first 20 images in the dataset
: }- a8 a; S" t  v& ]for i in range(20):
) x' s) g# Y! a5 e& ^3 L    #subplot
0 v" x4 f- e% h' @    plt.subplot(5, 5, i+1)
" I+ G8 e- K4 ~9 E4 c6 a8 F    # plotting pixel data
    plt.imshow(X_train, cmap=plt.get_cmap('gray'))
# show the figure
plt.show()
1 j" G) M. F2 H
: A/ }( o9 t6 O3 E0 s# S( L
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/ e; S) n9 LX_train = X_train/255
X_test = X_test/255
print(X_train)


#reshaping the train and test lables to 1D
2 C' f% q% R# F7 ]y_train = y_train.reshape(-1,)
y_test = y_test.reshape(-1,)
' m5 \8 U# R; R0 h+ {7 ]
8 A! Z* x  e' m, W# Z: t! B+ I+ D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()
1 w6 q! g! R$ A: ~! q#adding the first Convolution layer
model.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
8 @; o; g1 n$ w" a8 L6 U6 `' G#adding Max pooling layer
4 ?0 ^/ ?4 ]  I, }3 rmodel.add(MaxPool2D(2,2))
#adding another Convolution layer
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPool2D(2,2))
. {, g; }. J+ E' P" A6 l6 W) Gmodel.add(Flatten())
#adding dense layer
( l# I/ Z: k1 jmodel.add(Dense(216,activation='relu'))
#adding output layer
1 K/ \7 ^' I" ?! ^model.add(Dense(10,activation='softmax'))

! D. r1 @0 M2 ?, v8 l3 V! o- D8 e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/

/ Q1 ?, j/ n* B- |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。

第 2 步：编译模型
6 a7 N: R, i4 Q& t4 J& tmodel.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
; n% R- z; U" a' K
第 3 步：拟合模型model.fit(X_train,y_train,epochs=10)


1 t4 ?! U5 b3 E& }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。
) w( Y: e5 I2 r第 4 步：评估模型model.evaluate(X_test,y_test)


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
pred=model.predict(X_test)
. P0 d  K, s7 F4 B#printing the first element from predicted data
print(pred[0])
#printing the index of
1 G4 D' i1 |* p) b. E5 oprint('Index:',np.argmax(pred[0]))
+ m: o. o3 i* L& }% m1 U
3 g2 l1 W4 l9 v" Z1 ?6 J; p7 E" [& X

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])
print('Actual_values:',y_test[:10])
% T& v$ x" W  V
& b8 }! c, J5 S

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()
: |6 R. ]. H( I0 ^  ], o9 ?( c#adding the first Convolution layer
model4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
8 |, N: A, a# U/ d6 |5 i#adding Max pooling layer
model4.add(MaxPool2D(2,2))
1 q. A- m, S% e/ p: {) w8 Z#adding dropout
4 l3 Y. ?, _3 J8 M) kmodel4.add(Dropout(0.2))
' @3 A( n$ z8 M3 y$ J#adding another Convolution layer
model4.add(Conv2D(64,(3,3),activation='relu'))
model4.add(MaxPool2D(2,2))
#adding dropout
6 @/ ]) K- G% w! g' v. \model4.add(Dropout(0.2))
model4.add(Flatten())
#adding dense layer
model4.add(Dense(216,activation='relu'))
#adding dropout
6 b8 \1 ~  O1 X5 b- u' bmodel4.add(Dropout(0.2))
) x2 S& H4 J9 h: y2 @5 `& P#adding output layer
model4.add(Dense(10,activation='softmax'))
model4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
- t; a2 j1 c& T, rmodel4.fit(X_train,y_train,epochs=10)
9 V0 V* j; B4 x. p3 E
7 h! ]; }, V4 k; h& g9 i
; n) X, j  {' z7 t$ ?8 K) Z) }model4.evaluate(X_test,y_test)
2 q+ D# n6 k/ I; L5 K! `9 m" X2 O
9 {& D% {3 K% p& c8 ~0 @6 |) w3 y6 S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。

( k. X: E: S  ?- j1 }3 g尾注
# Y1 ?% h+ j" Z% Z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。

  W1 O- t4 Z) D& u7 A5 A
% e+ S7 z7 A! u; o& B# A