keras基于tensorflow后端---处理自己的数据

最新推荐文章于 2022-07-15 17:51:19 发布
最新推荐文章于 2022-07-15 17:51:19 发布
阅读量1.1k 收藏 1
点赞数
分类专栏： 机器学习 图像
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zhouguangfei0717/article/details/81196248
版权
本文介绍了一种使用卷积神经网络(CNN)进行手写数字识别的方法。该模型能够处理灰度图和彩色图两种情况，通过多层卷积和池化操作提取图像特征，并最终实现对数字的有效分类。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对于通道数为一的图像：

# -*- coding: utf-8 -*-
from __future__ import absolute_import
from __future__ import print_function
import os
from PIL import Image
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers.advanced_activations import PReLU
from keras.layers.convolutional import Convolution2D, MaxPooling2D,Conv2D
from keras.optimizers import SGD, Adadelta, Adagrad
from keras.utils import np_utils, generic_utils
from six.moves import range


#数据预处理
#读取文件夹mnist下的42000张图片（灰度图）

def load_data():
    data = np.empty((2000,28,28,1),dtype="float32")      注意：：：： 这里2000是图像数，数目不对时，会报错
    label = np.empty((2000,),dtype="uint8")
   
    imgs = os.listdir("./mnist")
    num = len(imgs)
    for i in range(num):
        print(i)
        img = Image.open("./mnist/"+imgs[i])
        arr = np.asarray(img,dtype="float32")
       
        print(arr.shape)
        data[i,:,:,0] = arr
        #print(data.shape)
        label[i] = int(imgs[i].split('.')[0])
        #print(label[i])
    return data,label

def load_testData():
    testImg = Image.open('testNum1.jpg')
    imgArr = np.asarray(testImg,dtype="float32")
    testData = np.empty((1,28,28,1),dtype="float32")
    testData[0,:,:,0] = imgArr
    return testData

if __name__ == '__main__':

    testData = load_testData()
           
    #保存模型数据的文件
    filename = 'mnistCnnTrain.h5'
    #加载数据
    data, label = load_data()
   
    #print(data.shape[0], ' samples')
   
    #label为0~9共10个类别，转化格式
    label = np_utils.to_categorical(label, 10)
    #print(label)


    #=======================================
    #=======================================
    #=======================================

 

 

 

    ###############
    #开始建立CNN模型
    ###############
   
    #生成一个model
    model = Sequential()
        #第一个卷积层，4个卷积核，每个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。
    #激活函数用tanh
    #你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))
    #model.add(Convolution2D(nb_filter=4,nb_row=5,nb_col=5,border_mode='valid',input_shape=(28,28,1)))
    model.add(Conv2D(4, (5, 5), padding='valid',input_shape=(28, 28,1), activation='tanh'))
    # model.add(Activation('tanh'))


    #第二个卷积层，8个卷积核，每个卷积核大小3*3。4表示输入的特征图个数，等于上一层的卷积核个数
    model.add(Conv2D(8, (3, 3), padding='valid', activation='tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))


    #第三个卷积层，16个卷积核，每个卷积核大小3*3
    model.add(Conv2D(16, (3, 3), padding='valid', activation='tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

   


    model.add(Flatten())
    model.add(Dense(128))
    model.add(Activation('tanh'))
   

 

    #Softmax分类，输出是10类别
    model.add(Dense(10))
    model.add(Activation('softmax'))


    model.compile(loss='categorical_crossentropy', optimizer='adadelta',metrics=["accuracy"])
   

  2：图像通道数为三的时候

 

# -*- coding: utf-8 -*-
from __future__ import absolute_import
from __future__ import print_function
import os
from PIL import Image
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation, Flatten
from keras.layers.advanced_activations import PReLU
from keras.layers.convolutional import Convolution2D, MaxPooling2D,Conv2D
from keras.optimizers import SGD, Adadelta, Adagrad
from keras.utils import np_utils, generic_utils
from six.moves import range
import tensorflow as tf

dirtrain='/home/4T/2018_runpu_data/原始数据/河北数据4_20180409'
def load_data(file_dir):  
    j=0
    i=0
    data = np.empty((200000,1200,2300,3),dtype="float32")
    label = np.empty((200000,),dtype="uint8")
    for file in os.listdir(file_dir):
        for file1 in os.listdir(file_dir+'/'+file):
            for file2 in os.listdir(file_dir+'/'+file+'/'+file1):
                for file3 in os.listdir(file_dir+'/'+file+'/'+file1+'/'+file2):
                    dir=file_dir+'/'+file+'/'+file1+'/'+file2 +'/'+ file3
                    if 'C.jpg' in file3:
                        #print(Image.open(dir))
                        try:
                              image=Image.open(dir)
                        except IOError:
                               print(dir)
                               print ("Error: 没有找到文件或读取文件失败")                                                          
                        else:
                          if image.mode=='RGB':
                             #print(dir)
                             img = Image.open(dir)
                             img = img.resize((1200, 2300),Image.ANTIALIAS)

                             arr = np.asarray(img,dtype="float32")
                            
                             data[i,:,:,:] = arr
                             label[i] = int(0)
                             i=i+1
 
                          else:
                              j=j+1     
                    elif 'CB.jpg' in file3:
                        #print(Image.open(dir))
                        try:
                              image=Image.open(dir)
                        except IOError:
                               print(dir)
                               print ("Error: 没有找到文件或读取文件失败")                                                          
                        else:
                          if image.mode=='RGB':
                             #print(dir)
                             img = Image.open(dir)
                             img = img.resize((1200, 2300),Image.ANTIALIAS)
                             arr = np.asarray(img,dtype="float32")
                             data[i,:,:,:] = arr
                             label[i] = int(3)
                             i=i+1

                          else:
                              j=j+1      
                    elif 'CA.jpg' in file3:
                        #print(Image.open(dir))
                        try:
                              image=Image.open(dir)
                        except IOError:
                               print(dir)
                               print ("Error: 没有找到文件或读取文件失败")                                                          
                        else:
                          if image.mode=='RGB':
                             #print(dir)
                             img = Image.open(dir)
                             img = img.resize((1200, 2300),Image.ANTIALIAS)
                             arr = np.asarray(img,dtype="float32")
                             data[i,:,:,:] = arr
                             label[i] = int(1)
                             i=i+1

                          else:
                              j=j+1   
                    elif('C.jpg' not in file3) and ('CA.jpg' not in file3)and ('CB.jpg' not in file3)and ('.jpg' in file3):
                        #print(Image.open(dir))
                        try:
                              image=Image.open(dir)
                        except IOError:
                               print(dir)
                               print ("Error: 没有找到文件或读取文件失败")                                                          
                        else:
                          if image.mode=='RGB':
                             #print(dir)
                             img = Image.open(dir)
                             img = img.resize((1200, 2300),Image.ANTIALIAS)
                             arr = np.asarray(img,dtype="float32")
                             data[i,:,:,:] = arr
                             label[i] = int(2)
                             #print(label[i])
                             i=i+1

                          else:
                              j=j+1                          
                    else:
                        j=j+1
    print(i)     
    return  data,label


if __name__ == '__main__':

   
           
    #保存模型数据的文件
    filename = 'mnistCnnTrain.h5'
    #加载数据
    data, label = load_data(dirtrain)
   
    #print(data.shape[0], ' samples')
   
    #label为0~9共10个类别，转化格式
   
    print(len(label))
    label = np_utils.to_categorical(label, 4)
    #生成一个model
    filename = 'mnistCnn.h5'
    model = Sequential()
        #第一个卷积层，4个卷积核，每个卷积核大小5*5。1表示输入的图片的通道,灰度图为1通道。
    #激活函数用tanh
    #你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))
    #model.add(Convolution2D(nb_filter=4,nb_row=5,nb_col=5,border_mode='valid',input_shape=(28,28,1)))
    model.add(Conv2D(4, (5, 5), padding='valid',input_shape=(600, 400,3), activation='tanh'))
    # model.add(Activation('tanh'))


    #第二个卷积层，8个卷积核，每个卷积核大小3*3。4表示输入的特征图个数，等于上一层的卷积核个数
    model.add(Conv2D(8, (3, 3), padding='valid', activation='tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))


    #第三个卷积层，16个卷积核，每个卷积核大小3*3
    model.add(Conv2D(16, (3, 3), padding='valid', activation='tanh'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    #=======================================
    #=======================================
    #=======================================
    model.add(Flatten())
    model.add(Dense(128))
    model.add(Activation('tanh'))
   

 

    #Softmax分类，输出是10类别
    model.add(Dense(4))
    model.add(Activation('softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adadelta',metrics=["accuracy"])
    model.fit(data, label, batch_size=100,nb_epoch=1,shuffle=True,verbose=1,validation_split=0.2)
    model.save(filename)

 

 

 

 

 

[keras实例]基于TensorFlow的keras学习
Pierce_KK的博客
05-14 973
杂谈 之前已经接触过一段的TensorFlow了，刚开始入手有些不太适应，记录一下。 这是keras的中文文档的首页 https://keras-cn.readthedocs.io/en/latest/layers/convolutional_layer/ 官方宣称keras是为支持快速实验而生，他其中的一个版本是以TensorFlow为后端的。 所以只要熟悉了tensorflow...
Keras基于 TensorFlow为后端的深度学习API——安装过程
weixin_38008115的博客
10-24 533
本文给出高级神经网络API：Keras，基于TensorFlow后端的安装经验 环境为，Windows10 Pro， CUDA 11.1，cudnn-11.1， VS2019， Python 3.7.11
【tensorflow】做后端的keras
weixin_42338058的博客
06-04 621
1.keras的add是将网络堆叠 flatten（）将图像数据平铺，扁平参数，将多维数据转化成一维 Dense就是常用的全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)。 其中activation是逐元素计算的激活函数，kernel是本层的权值矩阵，bias为偏置向量，只有当use_bias=True才会添加。 ...
安装Keras（TensorFlow做后端）
技术博客
05-18 9430
Keras，它是一个抽象层次比较高的神经网络Python库。在TensorFlow练习1中我是手动定义神经网络，有了这货几行代码就可搞定。
keras（tensorflow）对后端GPU的灵活使用
u013044310的博客
08-06 3470
一、指定对应的GPU（适用于tensorflow，keras） 如果你土豪到有自己的专用服务器那就完全可以忽略这一节，但是大多数时候，我们需要和实验室或者公司的其他人共用一台服务器。一般深度学习程序需要跑一天甚至几天。为了避免你们程序之间的“相爱相杀”，最终谁都跑不成的悲惨结局，那么就需要在跑程序之前先封疆而治，指定自己的势力范围。 首先，先要知道实验室（公司）的显卡有多少，再决定怎么分蛋糕。...
Tutorials-on-Keras-with-Tensorflow-Backend:Tensorflow基础
05-12
**深度学习教程——基于TensorFlow后端的Keras** 在当今的数据驱动世界中，深度学习已经成为解决复杂问题的关键工具，特别是在计算机视觉、自然语言处理和推荐系统等领域。TensorFlow和Keras是两个非常流行的深度...
深度学习项目实操：使用Keras和TensorFlow后端
Keras是一个高层次的神经网络API，它可以运行在TensorFlow、Theano等后端上。Keras的设计哲学是用户友好、模块化、易扩展。它支持快速实验，能够将想法迅速转换为结果。而TensorFlow是由谷歌开发的一个开源机器学习...
Binary-Classifier:一个基于ResNet 50的简单猫狗分类器，使用带有tensorflow后端的keras
05-18
在Tensorflow (1.4)数据集（ ）上使用Tensorflow (1.4) Keras 2.1.5和Tensorflow (1.4)后端在ResNet-50上构建的简单Cat-Dog分类器。 先决条件 确保从此提取的数据集在项目文件夹中。 Python 3+ 安装Tensorflow： ...
keras-yolo3-master_keras_python教程_yolov3_yolo3_自训练数据集_
09-30
【描述】提到的是在Windows操作系统环境下，使用Keras（一个高级神经网络API，基于TensorFlow、Theano或CNTK等后端）和Python语言进行实践。这通常涉及到以下步骤：安装必要的库，如Keras、TensorFlow、PIL等；...
基于Keras和TensorFlow的YOLO-V3-IOU动漫人脸检测教程
环境搭建方面，项目提供了基于TensorFlow-GPU的环境需求，版本为1.12.0。TensorFlow-GPU利用GPU的并行计算能力，可以大幅提高训练和预测的效率。此外，Keras版本要求为2.2.4，Keras是一个高级神经网络API，能够以...
使用以 Tensorflow 为后端的 Keras 构建生成对抗网络的代码示例
AI 研习社的博客
06-12 911
本文为 AI 研习社编译的技术博客，原标题 ： GAN by Example using Keras on Tensorflow Backend 作者 |Rowel Atienza 翻译 | GuardSkill、鲁昂 编辑 | 王立鱼 原文链接：https://towardsdatascience.com/gan-by-example-using-keras-on-tensorflow-b...
Tensorflow一个程序的完整实现思路
格子衫的博客
02-21 667
1.configuration(FLAGS)----尽量将一些参数定义在一起，便于调参 2.load_data()-------加载数据包括处理数据的各种方法，切分数据集，形成训练集、测试集 3.create_session() (1)实例化模型（create graph） （a）设置超参数 （b）为x，y设置placeholder （c）实例化权重（embedding layer）(d)...
深度学习（十）keras学习笔记
hjimce的专栏
10-13 6万+
keras与torch7的使用非常相似，是最近才火起来的深度学习开源库，底层是用了theano。keras可以说是python版的torch7，对于快速构建CNN模型非常方便。同时也包含了一些最新文献的算法，比如Batch Noramlize，文档教程也很全，在官网上作者都是直接给例子浅显易懂，个人感觉非常容易上手。keras也支持保存训练好的参数，然后加载已经训练好的参数，进行继续训练。
python cnn代码详解 keras_Python keras构建CNN
weixin_39567222的博客
12-10 583
展开全部data.py:#coding:utf-8"""Author:weponSource:https://github.com/wepe"""importosfromPILimportImageimportnumpyasnp#读取文件夹mnist下的42000张图片，图片为e68a843231313335323631343130323136353331333363396362灰度...
DeepLearning tutorial（6）易用的深度学习框架Keras简介
热门推荐
wepon的专栏
04-30 6万+
之前我一直在使用Theano，前面五篇Deeplearning相关的文章也是学习Theano的一些笔记，当时已经觉得Theano用起来略显麻烦，有时想实现一个新的结构，就要花很多时间去编程，所以想过将代码模块化，方便重复使用，但因为实在太忙没有时间去做。最近发现了一个叫做Keras的框架，跟我的想法不谋而合，用起来特别简单，适合快速开发。（其实还有很多其他的深度学习框架都是比较容易用的。）1. Ke
阅读源码遇到的一些TF、keras函数及问题2（--小白笔记）
jsliuqun的博客
03-21 7104
numpyhstackab与numpyvstackab numpytileab keraslayerscoreDense keraslayersconvolutionalConvolution2D keraslayersconvolutionalDeconvolution2D keraslayersnormalizationBatchNormalization 附常用网络层 Dense层 Activ
简易的深度学习框架Keras代码解析与应用
MrGiovanni
08-10 3820
再来一波论文周边吧——是关于代码的 总体来讲keras这个深度学习框架真的很“简易”，它体现在可参考的文档写的比较详细，不像caffe，装完以后都得靠技术博客，keras有它自己的官方文档（不过是英文的），这给初学者提供了很大的学习空间。 这个文档必须要强推！英文nice的可以直接看文档，我这篇文章就是用中文来讲这个事儿。 http://keras.io/
【tensorflow2.x】tensorflow和keras的使用问题与入门YOLOv3
m0_45056394的博客
07-15 3456
yolo入门
keras用vgg16预训练的参数训练自己数据集
有梦想的蜗牛
05-17 2万+
keras深度学习入门
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值