Keras训练自定义数据集

最新推荐文章于 2024-06-03 09:59:10 发布

变身独角兽

最新推荐文章于 2024-06-03 09:59:10 发布

阅读量3.8k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签： keras 自定义数据集 Keras训练流程

本文链接：https://blog.youkuaiyun.com/Harrison509/article/details/88855310

深度学习专栏收录该内容

7 篇文章

订阅专栏

本文介绍了一种图像分类的方法，包括从读取文件夹中的图像数据到构建并训练卷积神经网络模型的过程，最后保存了模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、读取文件夹数据

train_idx = 0
npy_idx = 0
path = './/dataset_path//'
files = os.listdir(path)
random.shuffle(files)
images = []
labels = []
for f in files: #目录下所有文件夹
    file_path = os.path.join(path, str(f)) + '//'
    for root, dirs, files in os.walk(file_path):
        for file in files:
            if os.path.splitext(file)[1] == '.png':
                train_idx = train_idx + 1
                img_path = os.path.join(file_path, str(file))
                # print('img_path={}'.format(img_path))
                img = image.load_img(img_path, target_size=image_size)
                img_array = image.img_to_array(img)
                images.append(img_array)
                labels.append(f) 
images = np.array(images)   #（num, h, w, 3）
labels = np.array(labels)   #(num, )
images /= 255

x_train, x_test, y_train, y_test = train_test_split(images, labels, test_size=0.2)  #划分训练数据、训练标签、验证数据、验证标签

二.模型构建与编译

""" 共4层卷积网、二层全连接层"""

model = Sequential()

model.add(Conv2D(32, kernel_size=(5, 5), input_shape=(img_h, img_h, 3), activation='relu', padding='same'))
model.add(MaxPool2D())
model.add(Dropout(0.3))

model.add(Conv2D(64, kernel_size=(5, 5), activation='relu', padding='same'))
model.add(MaxPool2D())
model.add(Dropout(0.3))

model.add(Conv2D(128, kernel_size=(5, 5), activation='relu', padding='same'))
model.add(MaxPool2D())
model.add(Dropout(0.5))

model.add(Conv2D(256, kernel_size=(5, 5), activation='relu', padding='same'))
model.add(MaxPool2D())
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(n_class, activation='softmax')) #25分类

model.summary()
model.compile(loss=loss_func, optimizer=Adam(lr=0.0003), metrics=['accuracy'])

三.数据喂入

model.fit(x_train, y_train,
      batch_size=nbatch_size,
      epochs=nepochs,
      verbose=1,
      validation_data=(x_test, y_test))

四.模型保存

yaml_string = model.to_yaml()
with open('./models/model_name.yaml', 'w') as outfile:
    outfile.write(yaml_string)
model.save_weights('./models/model_name.h5')