Я совершенно новичок в Python и машинном обучении, и я работаю над своим первым реальным проектом по распознаванию изображений. Он основан на этом уроке , который имеет только две классификации (кошка или собака) и имеет МНОГО больше данных. Тем не менее, я не заставляю мой мультиклассовый сценарий работать с точки зрения его правильного предсказания, а главным образом - для устранения неполадок сценария. Сценарий далеко не в правильном предсказании.
Ниже приведен сценарий. Данные / изображения состоят из 7 папок по 10-15 изображений в каждой. Изображения размером 100x100px разных плиток домино, а одна папка - просто детские фотографии (в основном, в качестве контрольной группы, потому что они сильно отличаются от фотографий домино):
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
from keras.models import model_from_json
import numpy
import os
# Initialising the CNN
classifier = Sequential()
# Step 1 - Convolution
classifier.add(Conv2D(32, (25, 25), input_shape = (100, 100, 3), activation = 'relu'))
# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Adding a second convolutional layer
classifier.add(Conv2D(32, (25, 25), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Step 3 - Flattening
classifier.add(Flatten())
# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 7, activation = 'sigmoid')) # 7 units equals amount of output categories
# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
# Part 2 - Fitting the CNN to the images
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.2,
zoom_range = 0.2,
horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory('dataset/training_set',
target_size = (100, 100),
batch_size = 32,
class_mode = 'categorical')
test_set = test_datagen.flow_from_directory('dataset/test_set',
target_size = (100, 100),
batch_size = 32,
class_mode = 'categorical')
classifier.fit_generator(training_set,
steps_per_epoch = 168,
epochs = 35,
validation_data = test_set,
validation_steps = 3)
classifier.summary()
# serialize weights to HDF5
classifier.save_weights("dominoweights.h5")
print("Saved model to disk")
# Part 3 - Making new predictions
import numpy as np
from keras.preprocessing import image
path = 'dataset/prediction_images/' # Folder with my images
for filename in os.listdir(path):
if "jpg" in filename:
test_image = image.load_img(path + filename, target_size = (100, 100))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)
print result
training_set.class_indices
folder = training_set.class_indices.keys()[(result[0].argmax())] # Get the index of the highest predicted value
if folder == '1':
prediction = '1x3'
elif folder == '2':
prediction = '1x8'
elif folder == '3':
prediction = 'Baby'
elif folder == '4':
prediction = '5x7'
elif folder == '5':
prediction = 'Upside down'
elif folder == '6':
prediction = '2x3'
elif folder == '7':
prediction = '0x0'
else:
prediction = 'Unknown'
print "Prediction: " + filename + " seems to be " + prediction
else:
print "DSSTORE"
print "\n"
Пояснения:
- Тренировочные данные: около 10-15 изображений каждое в каждой категории. Всего 168 тренировочных образов
- Данные испытаний: по 3 изображения в каждой категории
dataset/prediction_images/ содержит около 10 различных изображений, которые сценарий будет предсказывать result обычно выводит array([[0., 0., 1., 0., 0., 0., 0.]], dtype=float32)
Мой вопрос (ы)
Мой главный вопрос: видите ли вы что-то особенно плохое в сценарии? Или, должен ли скрипт работать нормально и что из-за недостатка данных предсказание ошибочно?
подвопросы:
- Правильно ли я понимаю слой (слои) свертки, что есть окно размером 25x25 пикселей, которое сканирует изображения. Я пробовал «по умолчанию» 3x3px, но с тем же результатом?
- Число 32 в слое свертки. Относится ли это к 32-битным изображениям?
- Нормально ли иметь 2 слоя свертки? Я не могу понять, зачем это нужно.
Весь раздел с:
classifier.fit_generator(training_set,
steps_per_epoch = 168,
epochs = 35,
validation_data = test_set,
validation_steps = 3)
озадачивает меня. Насколько я понял, steps_per_epoch должно быть количеством тренировочных образов, которые у меня есть. Это верно? Является ли epochs количеством итераций, которые выполняет CNN?
Не понимаю, зачем нужен этот код:
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.2,
zoom_range = 0.2,
horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)
мне кажется, что он создает копии / версии изображений, увеличивает их, переворачивает и т. Д. Зачем это нужно?
Любые советы на этот счет мне очень помогут!