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
! L' c0 v1 k$ V1 A2 v9 s# S简介

4 }- t& e  o* B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。

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。
+ S( R# a7 ]* s% }, t
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。

( p# I5 `9 }0 c2 P实施

# importing necessary libraries
5 ?" V* c0 n+ c, N$ m" @" himport numpy as np
import matplotlib.pyplot as plt
. D) b. }; o9 U# P) L+ o%matplotlib inline
# To convert to categorical data
from tensorflow.keras.utils import to_categorical
* x# H; K; m( Q+ l7 R#libraries for building model
. Q; S, I/ |8 Y* Lfrom tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Dropout,Flatten
from tensorflow.keras.datasets import cifar10
. T* s, g: Q& h/ I# ~
#loading the data
(X_train, y_train), (X_test, y_test) = cifar10.load_data()

# p8 t* k, i  D3 W* z+ ?7 _6 h/ r1 ?探索性数据分析
5 h- A3 f' L! }3 s4 c#shape of the dataset
4 M% i+ A1 d& C, gprint(X_train.shape)
: ?9 Q0 i- o3 f9 bprint(y_train.shape)
print(X_test.shape)
print(y_test.shape)

; C6 {- \/ d! @8 J* q4 V# V/ |
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）
: y( r, l3 G9 ~( B#checking the labels
np.unique(y_train)
/ |- h0 \9 w$ ?1 K& D

0 ]/ M. W, I& R: O% R* ]: _  @#first image of training data
plt.subplot(121)
/ v% R" g* Q" R  G* cplt.imshow(X_train[0])
/ P. [2 g0 I9 T4 i( @plt.title("Label : {}".format(y_train[0]))
. g- k4 A: [" w" S* Q#first image of test data
) C, i2 `0 F; l# k+ Uplt.subplot(122)
plt.imshow(X_test[0])
7 o1 E: O1 u4 U1 _, X6 Gplt.title("Label : {}".format(y_test[0]));
  @3 j+ t7 f$ a) a9 v7 j

, m8 [5 B$ ~- g, k& T) M( v  K#visualizing the first 20 images in the dataset
for i in range(20):
, V& l, Q; m# b$ w- ?0 g* W: P: H- `+ x    #subplot
0 ]% |$ T7 i& `, [, T3 P    plt.subplot(5, 5, i+1)
    # plotting pixel data
    plt.imshow(X_train, cmap=plt.get_cmap('gray'))
# show the figure
plt.show()

" z0 V- q- n* k& s1 l' N% E7 F
1 G/ B" r: R4 D& V( u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

/ q+ i  ]* V! Q9 N" x/ m# ]) l# Scale the data to lie between 0 to 1
X_train = X_train/255
X_test = X_test/255
print(X_train)

5 ?; e5 H  S8 w
#reshaping the train and test lables to 1D
" R7 l/ v  z- `2 _: Y6 b: m( Zy_train = y_train.reshape(-1,)
y_test = y_test.reshape(-1,)
; V/ H. W$ w4 c0 N/ i
3 k  A- }  A5 g! |0 I  j5 G4 o* ^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。

5 D& W6 x! Y% J1 Pmodel=Sequential()
. L' l$ z/ T& w) k7 u. E0 J; Q#adding the first Convolution layer
7 v) X7 |/ O' U* N- v" H/ Y7 Mmodel.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
#adding Max pooling layer
  d3 k8 M4 n9 t8 V" x2 r5 ~. Xmodel.add(MaxPool2D(2,2))
#adding another Convolution layer
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPool2D(2,2))
) G" ?- X9 ]" y3 D  s, S1 C) I+ Rmodel.add(Flatten())
4 G& F8 Y) e( \$ \2 ^#adding dense layer
+ ?5 H" |& E: W: L3 m. Omodel.add(Dense(216,activation='relu'))
3 }" X. _3 r; S" b9 N#adding output layer
. h& |! @7 C3 M0 _6 _; q' ^model.add(Dense(10,activation='softmax'))

" ?& E% z& M2 }: S' v; 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。
3 e  K' N& O4 N6 A$ i4 Q4 ]; T8 t; U
# f) P1 R7 i2 |9 X1 k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/

' r5 n/ b, d8 ]# @$ O0 I: c0 J* I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。
7 D0 B) s. k/ ?$ i0 O4 W% u& S$ `
" ~. b2 |: J& U% k. N0 S5 X最后，输出层添加了一个 softmax 激活函数，因为我们有 10 个标签。
4 s, m9 v" g% D. J$ \
第 2 步：编译模型
model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
! t  j1 x2 E& S" j" n& {
第 3 步：拟合模型model.fit(X_train,y_train,epochs=10)


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。
4 I0 M- L" i$ ]0 |" l- x第 4 步：评估模型model.evaluate(X_test,y_test)
& I# L5 M4 b+ Y5 r- i

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。
! T8 j5 X, J# J, Y, W第 5 步：进行预测
- g( e4 R$ ^0 \pred=model.predict(X_test)
' F; ]5 z$ r+ D0 s, X3 c#printing the first element from predicted data
. h5 C" I8 ?% k: b3 I  N! [print(pred[0])
#printing the index of
; P, N4 d3 X3 e: Y7 O6 S" sprint('Index:',np.argmax(pred[0]))

0 W5 \5 N6 R" p6 Z! b; r6 F$ c7 c
; Z2 S* _6 V: e9 T! M% m6 g% `4 F8 y

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])

% `% G' s. q( L, R0 E1 u0 ]
7 @% [/ Z6 D) F

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。

/ h! e0 `- I( U! Q. a1 Smodel4=Sequential()
#adding the first Convolution layer
; B5 j+ Q+ e7 [4 a" Hmodel4.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))
) ^( ]; _2 e% S7 L! y$ ~3 p7 T8 h#adding Max pooling layer
model4.add(MaxPool2D(2,2))
0 O# w4 I: o0 k" e  v#adding dropout
- d0 x8 x4 {- S2 `# g+ K! umodel4.add(Dropout(0.2))
$ {3 W5 J* O2 o# B4 n. w#adding another Convolution layer
2 T' `, ~) _1 [7 s* U. wmodel4.add(Conv2D(64,(3,3),activation='relu'))
model4.add(MaxPool2D(2,2))
#adding dropout
2 l& v/ g3 Q: _& ?8 hmodel4.add(Dropout(0.2))
model4.add(Flatten())
#adding dense layer
model4.add(Dense(216,activation='relu'))
#adding dropout
model4.add(Dropout(0.2))
#adding output layer
model4.add(Dense(10,activation='softmax'))
8 Q( Y/ M  S" ^. m6 _3 B4 xmodel4.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
+ m4 w) ]( b8 W' X: d1 I/ kmodel4.fit(X_train,y_train,epochs=10)

! w( b& ?. ]2 i% B
model4.evaluate(X_test,y_test)

* f, A5 I- @+ P' s8 i: I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。
  ?! ~$ U# J( N4 F9 [
; w" A& X$ j, P! |, f尾注
0 I& I7 J0 |1 B; A5 Z5 f6 a4 M* m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。


5 {) b- V, y/ o1 ?8 E
, J4 o6 l3 X' F0 Q, b+ l4 b