教你用Keras和CNN建立模型识别神奇宝贝！（附代码）

作者：ADRIAN ROSEBROCK

翻译：张恬钰

校对：万文菁

本文8500字，建议阅读30+分钟。

本文将讲解如何用Keras和卷积神经网络（CNN）来建立模型识别神奇宝贝！

用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具

简介

今天的博客内容是构建完整端对端图像分类+深度学习应用系列的第二部分。

• 第一部分：如何（快速）建立一个深度学习的图像数据库

• 第二部分：Keras和卷积神经网络（今天的内容）

• 第三部分：在iOS上运行Keras模型（下周发布）

 

在今天博客的最后，你将会了解如何在你自己的数据库中建立、训练并评估一个卷积神经网络。

在下周的博客中，我将会向你展示如何仅用几行代码就把你训练出来的Keras模型用在智能手机的app上。

为了让这个系列轻松、愉快，我决定实现我童年的一个梦想，那就是构造一个神奇宝贝图鉴。神奇宝贝图鉴是于神奇宝贝（一部很火的动画片、电子游戏和集换卡系列）世界中的一个设备（我曾经是以及现在还是神奇宝贝的大粉丝）。

如果你对于神奇宝贝不了解，你可以把神奇宝贝图鉴想象成一个可以识别神奇宝贝（一个长得像动物、存在于在神奇宝贝世界的生物）的智能手机app。

当然你也可以换成你自己的数据，我只是觉得很有趣并且在做一件很怀旧的事情。

想要知道如何在你自己的数据库中用Keras和深度学习训练一个卷积神经网络，继续往下读就行了。

 

目录

1.Keras和卷积神经网络

• 我们的深度学习数据库

• 卷积神经网络和Keras项目的结构

• Keras和CNN结构

• 完成我们的CNN+Keras训练脚本

• 用Keras训练CNN

• 创造CNN和Keras训练脚本

• 用CNN和Keras分类图片

• 该模型的局限性

• 我们能否使用这个Keras深度学习模型建一个REST API？

2.总结

 

Keras和卷积神经网络

在上周的博文中，我们学习了如何能快速建立一个深度学习的图像数据库——我们使用了博文中的过程和代码来收集、下载和组织电脑上的图像。

既然已有下载并组织好的图像，下一步就是在数据上训练一个卷积神经网络（CNN）。

我将会在今天的博文中向你展示如何用Keras和深度学习来训练你的CNN。下周将要发布这个系列的最后一部分，将会向你展示你如何仅用几行代码将你训练好的Keras模型应用在一个智能手机（特别是iPhone）app上。

这个系列的最终目的是帮助你建立一个能够运行的深度学习app——用这个系列的文章作为发灵感启发，并且开始帮助你建立自己的深度学习应用。

现在让我们开始用Keras和深度学习训练一个CNN。

 

我们的深度学习数据库

图1：神奇宝贝深度学习数据库中的样本示意图。它展示了神奇宝贝的每个种类。正如我们所见，数据库的内容范围很大，包含了插画、电影/电视节目截图、模型、玩具等。

我们深度学习的数据库有1191个神奇宝贝）的图片。

我们的目标是用Keras和深度学习训练一个卷积神经网络来识别和分类这些神奇宝贝。

我们将要识别的神奇宝贝包括这几种：

• 妙蛙种子（234张图片）

• 小火龙（238张图片）

• 杰尼龟（223张图片）

• 皮卡丘（234张图片）

• 超梦（239张图片）

 

每个种类的训练图片的示意图在图1中可见。

正如你所见，我们的训练图片包括：

• 电视节目和电影中的截图

• 集换卡

• 模型

• 玩具

• 粉丝的画作和艺术表达

 

我们的CNN将从这些涵盖范围很广的使N一大堆图片中识别出5种神奇宝贝。——而且我们将会看到，我们可以达到97%的分类准确率！

 

卷积神经网络和Keras项目的结构

今天的项目有很多活动部件?。我们现在从回顾项目的目录结构开始。

有3个目录：

• dataset：包含了5个种类，每个种类有自己单独的子目录，这使得分析种类标签较为容易。

• examples：包含了我们将要用来测试CNN的图片。

• pyimagesearch模块：包含了SmallerVGGNet模型种类（在这片文章的后面将会用到）。