深度学习案例2：AlexNet网络识别14种鲜花
1 AlexNet简介
AlexNet在【ImageNet Classification with Deep Convolutional Neural Networks】论文中提出的，并在ILSVRC-2012获得第一名。AlexNet的特点:
相比较LetNet-5，更深的网络结构。使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征。使用Dropout抑制过拟合。使用数据增强Data Augmentation抑制过拟合。使用Relu替换之前的sigmoid的作为激活函数。多GPU训练。整个网络采用的ReLu非线性激活函数，可以参考深度学习之激活函数。论文给出下面的网络架构。
但是并不是很详细，下面的模型架构图讲的更清晰，下面我会一一进行介绍
总共有8层，5层卷积层+3层全连接层，下面一张图来源网络，详细介绍每层的具体设置和参数。本文会根据这个模型的架构图来实现（稍微做调整）。
2 数据处理
数据集是由14种花组成的，分别为康乃馨，杜鹃花，桂花，桃花，梅花，洛神花，牡丹，牵牛花，玫瑰，茉莉花，荷花，菊花，蒲公英，风信子，数据集中图片大小尺寸不一致，我们需要统一处理为相同的尺寸[224,224]。采用 Keras 中使用 ImageDataGenerator 进行图像增强处理，基本使用详见参考第十五章 用图像增强改善模型性能。
2.1 数据集基本设置
IMG_W = 224 # 定义裁剪的图片宽度 IMG_H = 224 # 定义裁剪的图片高度 CLASS = 14 # 图片的分类数 EPOCHS = 5 # 迭代周期 BATCH_SIZE = 64 # 批次大小 TRAIN_PATH = './data/data/train' # 训练集存放路径 TEST_PATH = './data/data/test' # 测试集存放路径 SAVE_PATH = './data/flower_selector' # 模型保存路径 LEARNING_RATE = 1e-4 # 学习率 DROPOUT_RATE = 0 # 抗拟合，不工作的神经网络百分比 12345678910
2.2 ImageDataGenerator设置
train_datagen = ImageDataGenerator( rotation_range=40, # 随机旋转度数 width_shift_range=0.2, # 随机水平平移 height_shift_range=0.2, # 随机竖直平移 rescale=1 / 255, # 数据归一化 shear_range=20, # 随机错切变换 zoom_range=0.2, # 随机放大 horizontal_flip=True, # 水平翻转 fill_mode='nearest', # 填充方式 ) 12345678910
2.3 归一化处理
test_datagen = ImageDataGenerator( rescale=1 / 255, # 数据归一化 ) 123
2.4 训练集
train_generator = train_datagen.flow_from_directory( # 设置训练集迭代器 TRAIN_PATH, # 训练集存放路径 target_size=(IMG_W, IMG_H), # 训练集图片尺寸 batch_size=BATCH_SIZE # 训练集批次 ) 12345
2.5 测试集
test_generator = test_datagen.flow_from_directory( # 设置测试集迭代器 TEST_PATH, # 测试集存放路径 target_size=(IMG_W, IMG_H), # 测试集图片尺寸 batch_size=BATCH_SIZE, # 测试集批次 ) 12345
将预测结果转成标签名称
num_to_char = dict((test_generator.class_indices.get(index), index) for index in test_generator.class_indices) 1
2.6 数据集预览
for index in range(9): x, y = test_generator[index] tile = num_to_char[tensorflow.argmax(y[index]).numpy()] plt.subplot(330 + 1 + index) plt.title(tile) plt.imshow(x[:][index]) plt.show() 1234567
3 构建模型
class AlexNet: def __init__(self): self.model = Sequential() # 模型构建 def train(self): self.model.add(Conv2D(input_shape=(224, 224, 3), kernel_size=(11, 11), strides=4, filters=96, activation=tf.keras.activations.relu)) self.model.add(MaxPooling2D(pool_size=(3, 3), strides=2)) self.model.add(Conv2D(kernel_size=(5, 5), strides=1, filters=48, activation=tf.keras.activations.relu)) self.model.add(MaxPooling2D(pool_size=(3, 3), strides=2)) self.model.add(Conv2D(kernel_size=(3, 3), strides=1, filters=128, activation=tf.keras.activations.relu)) self.model.add(Conv2D(kernel_size=(3, 3), strides=1, filters=192, activation=tf.keras.activations.relu)) self.model.add(Conv2D(kernel_size=(3, 3), strides=1, filters=192, activation=tf.keras.activations.relu)) self.model.add(MaxPooling2D(pool_size=(3, 3), strides=2)) self.model.add(Flatten()) self.model.add(Dense(128, activation=tf.keras.activations.relu)) self.model.add(Dropout(0.5)) self.model.add(Dense(64, activation=tf.keras.activations.relu)) self.model.add(Dropout(0.5)) self.model.add(Dense(14, activation=tf.keras.activations.softmax)) print('model framework', self.model.summary()) self.model.compile(optimizer=tf.keras.optimizers.Adam(LEARNING_RATE), loss=tf.keras.losses.CategoricalCrossentropy(), metrics=['accuracy']) try: self.model.load_weights('{}.h5'.format(SAVE_PATH)) # 尝试读取训练好的模型，再次训练print('model upload,start training!') except: print('not find model,start training') # 如果没有训练过的模型，则从头开始训练checkpoint = ModelCheckpoint('{}.h5'.format(SAVE_PATH), monitor='accuracy', verbose=1, save_best_only=True, model='max') callbacks_list = [checkpoint] self.history = self.model.fit( train_generator, # 训练集迭代器steps_per_epoch=len(train_generator), # 每个周期需要迭代多少步（图片总量/批次大小=11200/64=175）epochs=EPOCHS, # 迭代周期verbose=1, validation_data=test_generator, # 测试集迭代器validation_steps=len(test_generator), # 测试集迭代多少步callbacks=callbacks_list ) def predict(self, x): self.model.predict(x)# 绘制训练历史记录def plot_history(self):plt.plot(self.history.history['loss'], label='loss')plt.plot(self.history.history['val_loss'], label='val_loss')plt.plot(self.history.history['accuracy'], label='accuracy')plt.title('history')plt.legend()plt.show()
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374754 训练记录
由于自己电脑没有GPU训练的太慢，只能断断续续的进行训练，这是其中一段训练历史记录。学了下Gooogle Colab,准备用它来训练。
5 预测结果
欢迎点赞收藏，下篇文章将模型移植到Android端，实现拍照识别鲜花！！！！！！
相关知识
深度学习实战：AlexNet实现花图像分类
MATLAB实现低配电脑的果树病虫害深度学习识别
基于深度学习的农作物病虫害识别系统
深度学习下的小样本玉米叶片病害识别研究
基于深度学习特征的植物病虫害检测
深度学习在植物叶部病害检测与识别的研究进展
深度学习 花卉识别
深度学习实战（二）：AlexNet实现花图像分类
深度学习及其应用
基于深度学习和迁移学习的识花实践
网址: 深度学习案例2：AlexNet网络识别14种鲜花 https://m.huajiangbk.com/newsview635622.html
| 上一篇: 毛白杨抗病相关转录因子基因PtW |
下一篇: 热激启动子驱动CmFTL3调控菊 |
