项目介绍
小狗分类器可以做什么？\
通过这个分类器，你只需要上传照片，就可以得到小狗的品种，以及更多的信息。
这就是所谓的「机器学习」，让机器自己去“学习”。我们今天要做的这个分类任务，是一个“监督学习”的过程。
监督学习的主要目标是从有标签的训练数据中学习模型，以便对未知或未来的数据做出预测。
我给大家讲一个例子。
用“房子的尺寸”预测“房子的价格”
图片来自（吴恩达－机器学习）
\
X-房子的尺寸（小狗的图片）
Y-房子的价格（小狗的类别）
如图，我们根据已经有的数据集（图上的坐标），可以拟合出一条近似符合规律的直线。
这样，再有新的房子尺寸（1250），我们就可以估算出房子的价格（220k）了。
有了这些简单的基础，可以开始搞了。
效果展示
训练集的准确率为0.925，但测试集只有0.7\
说明过拟合了，可以再增加一些图片，或者使用数据增强，来减少过拟合。
\
测试了两张图片，全都识别对了！\
\
编写思路
整个分类器的实现，可以分为以下几个部分：
1 准备数据集
我们可以通过爬虫技术，把4类图像（京巴、拉布拉多、柯基、泰迪）保存到本地。总共有 840张图片做训练集，188张图片做测试集。
2 数据集的预处理
\
1) 统一尺寸为100*100*3（RGB彩色图像）\
\
# 统一尺寸的核心代码
img = Image.open(img_path)
new_img = img.resize((100, 100), Image.BILINEAR)
new_img.save(os.path.join(
'./dog_kinds_after/' + dog_name, jpgfile))
\
2) 由于数据是自己下载的，需要制作标签（label），可提取图像名称的第一个数字作为类别。（重命名图片）
\
kind =
0
# 遍历京巴的文件夹
images = os.listdir(images_path)
for name
in images:
image_path = images_path +
'/'
os.rename(image_path + name, image_path + str(kind) +
'_' + name.split(
'.')[
0]+
'.jpg')
3）划分数据集
840张图片做训练集，188张图片做测试集。
\
4）把图片转换为网络需要的类型
\
# 只放了训练集的代码，测试集一样操作。
ima_train = os.listdir(
'./train')
# 图片其实就是一个矩阵（每一个像素都是0-255之间的数）（100*100*3）
# 1.把图片转换为矩阵
def read_train_image(filename):
img = Image.open(
'./train/'
+ filename).convert(
'RGB'
)
return
np.array(img)
x_train = []
# 2.把所有的图片矩阵放在一个列表里 (840, 100, 100, 3)
for
i
in
ima_train:
x_train.append(read_train_image(i))
x_train = np.array(x_train)
# 3.提取kind类别作为标签
y_train = []
for
filename
in
ima_train:
y_train.append(int(filename.split(
'_'
)[
0
]))
# 标签（0/1/2/3）(840,)
y_train = np.array(y_train)
# 我是因为重命名图片为（1/2/3/4），所以都减了1
# 为了能够转化为独热矩阵
y_train = y_train -
1
# 4.把标签转换为独热矩阵
# 将类别信息转换为独热码的形式（独热码有利于神经网络的训练）
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
print(y_test)
x_train = x_train.astype(
'float32'
)
x_test = x_test.astype(
'float32'
)
x_train /=
255
x_test /=
255
print(x_train.shape)
# (840, 100, 100, 3)
print(y_train.shape)
# (840,)
3 搭建卷积神经网络
Keras是基于TensorFlow的深度学习库，是由纯Python编写而成的高层神经网络API，也仅支持Python开发。
\
它是为了支持快速实践而对Tensorflow的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。
**
**
# 1.搭建模型
(类似于VGG，直接拿来用就行)
model = Sequential()
# 这里搭建的卷积层共有32个卷积核，卷积核大小为3*3，采用relu的激活方式。
# input_shape，字面意思就是输入数据的维度。
#这里使用序贯模型，比较容易理解
#序贯模型就像搭积木一样，将神经网络一层一层往上搭上去
model.add(Conv2D(
32, (
3,
3), activation=
'relu', input_shape=(
100,
100,
3)))
model.add(Conv2D(
32, (
3,
3), activation=
'relu'))
model.add(MaxPooling2D(pool_size=(
2,
2)))
model.add(Dropout(
0.25))
model.add(Conv2D(
64, (
3,
3), activation=
'relu'))
model.add(Conv2D(
64, (
3,
3), activation=
'relu'))
model.add(MaxPooling2D(pool_size=(
2,
2)))
model.add(Dropout(
0.25))
#dropout层可以防止过拟合，每次有25%的数据将被抛弃
model.add(Flatten())
model.add(Dense(
256, activation=
'relu'))
model.add(Dropout(
0.5))
model.add(Dense(
4, activation=
'softmax'))
4 训练
**
**
训练的过程，就是最优解的过程。**
**
\
对上图来说，就是根据数据集，不断的迭代，找到一条最近似的直线（y = kx + b），把参数k，b保存下来，预测的时候直接加载。
**
**
# 编译模型
sgd = SGD(lr=
0.01, decay=
1e-6, momentum=
0.9, nesterov=
True)
model.compile(loss=
'categorical_crossentropy', optimizer=sgd, metrics=[
'accuracy'])
# 一共进行32轮
# 也就是说840张图片，每次训练10张，相当于一共训练84次
model.fit(x_train, y_train, batch_size=
10, epochs=
32)
# 保存权重文件（也就是相当于“房价问题的k和b两个参数”）
model.save_weights(
'./dog_weights.h5', overwrite=
True)
# 评估模型
score = model.evaluate(x_test, y_test, batch_size=
10)
print(score)
\
5 预测
\
此时k、b(参数)和x(小狗的图像)都是已知的了，求k(类别)就完了。
\
# 1.上传图片
name = input(
'上传图片的名称（例如：XX.jpg）为：')
# 2.预处理图片(代码省略)
# 3.加载权重文件
model.load_weights(
'dog_weights.h5')
# 4.预测类别
classes = model.predict_classes(x_test)[
0]
target = [
'京巴',
'拉布拉多',
'柯基',
'泰迪']
# 3-泰迪 2-柯基 1-拉布拉多 0-京巴
# 5.打印结果
print(
"识别结果为:" + target[classes])
依赖环境
1 深度学习框架Keras和TensorFlow\
2 PIL扩展库（预处理图片）
3 Pycharm/Jupyter notebook
