在這篇文章中，將教大家實(shí)現(xiàn)一個(gè)網(wǎng)頁應(yīng)用程序，該程序可以接收狗的圖片，然后輸出其品種，其準(zhǔn)確率超過80％！
我們將使用深度學(xué)習(xí)來訓(xùn)練一個(gè)識別狗品種的模型，數(shù)據(jù)集是狗圖像與他們的品種信息，通過學(xué)習(xí)圖像的特征來區(qū)分狗的品種。數(shù)據(jù)分析數(shù)據(jù)集可以從這里下載（https：／／s3－us－west－1．a(chǎn)mazonaws．com／udacity－aind／dog－project／dogImages．zip）。以下是關(guān)于數(shù)據(jù)的一些介紹：犬種總數(shù)：133狗圖片總數(shù)：8351（訓(xùn)練集：6680，驗(yàn)證集：835，測試集：836）最受歡迎的品種：阿拉斯加對應(yīng)96個(gè)樣本，博德牧羊犬對應(yīng)93個(gè)樣本按圖片數(shù)量排序的前30個(gè)品種如下：
我們還可以在這里看到一些狗的圖片和它們的品種：
數(shù)據(jù)預(yù)處理我們會(huì)把每個(gè)圖像作為一個(gè)numpy數(shù)組進(jìn)行加載，并將它們的大小調(diào)整為224x224，這是大多數(shù)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)接受圖像的默認(rèn)大小，另外我們?yōu)閳D像的數(shù)量添加為另一個(gè)維度。from keras．preprocessing import image from tqdm import tqdm
def path＿to＿tensor（img＿path）： ＇＇＇將給定路徑下的圖像轉(zhuǎn)換為張量＇＇＇ img ＝ image．load＿img（img＿path， target＿size＝（224， 224）） x ＝ image．img＿to＿array（img） return np．expand＿dims（x， axis＝0）
def paths＿to＿tensor（img＿paths）： ＇＇＇將給定路徑中的所有圖像轉(zhuǎn)換為張量＇＇＇ list＿of＿tensors ＝ ［path＿to＿tensor（img＿path） for img＿path in tqdm（img＿paths）］ return np．vstack（list＿of＿tensors）最后，我們使用ImageDataGenerator對圖像進(jìn)行動(dòng)態(tài)縮放和增強(qiáng)train＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255， horizontal＿flip＝True， vertical＿flip＝True， rotation＿range＝20）
valid＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255．）
test＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255．）
train＿generator ＝ train＿datagen．flow（train＿tensors， train＿targets， batch＿size＝32）valid＿generator ＝ train＿datagen．flow（valid＿tensors， valid＿targets， batch＿size＝32）test＿generator ＝ train＿datagen．flow（test＿tensors， test＿targets， batch＿size＝32）CNN我們將在預(yù)處理數(shù)據(jù)集上從頭開始訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN），如下所示：model ＝ tf．keras．models．Sequential（［ tf．keras．layers．Conv2D（16， （3，3）， activation＝＇relu＇， input＿shape＝（224， 224， 3））， tf．keras．layers．MaxPooling2D（2， 2）， tf．keras．layers．Conv2D（32， （3，3）， activation＝＇relu＇）， tf．keras．layers．MaxPooling2D（2，2）， tf．keras．layers．Conv2D（64， （3，3）， activation＝＇relu＇）， tf．keras．layers．MaxPooling2D（2，2）， tf．keras．layers．Conv2D（128， （3，3）， activation＝＇relu＇）， tf．keras．layers．MaxPooling2D（2，2）， tf．keras．layers．Conv2D（256， （3，3）， activation＝＇relu＇）， tf．keras．layers．MaxPooling2D（2，2）， tf．keras．layers．Flatten（）， tf．keras．layers．Dense（2048， activation＝＇softmax＇）， tf．keras．layers．Dropout（0．5）， tf．keras．layers．Dense（1024， activation＝＇softmax＇）， tf．keras．layers．Dropout（0．5）， tf．keras．layers．Dense（133， activation＝＇softmax＇）］）
model．compile（optimizer＝＇rmsprop＇， loss＝＇categorical＿crossentropy＇， metrics＝［＇accuracy＇］）
checkpointer ＝ tf．keras．callbacks．ModelCheckpoint（filepath＝＇．．／saved＿models／weights＿best＿custom．hdf5＇， verbose＝1， save＿best＿only＝True）
12下一頁>（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
