技術標籤：吳恩達深度學習課後作業python深度學習

---

首先宣告：本文在參考[https://blog.csdn.net/u013733326/article/details/79639509](https://blog.csdn.net/u013733326/article/details/79639509)的部落格基礎上，增加了自己的圖片來進行預測。目的為了讓大家更能深入的理解怎麼製作資料集，以及如何使用自己的圖片來用一個跑好的模型。 相關原始碼，請到我github主頁下載需要的相關原始碼：[Confused-Pig](https://github.com/Confused-Pig)

---

本文如有不對之處，還請指出。

---

1.建立自己的資料集

我選取了幾張貓的圖片，把他們的畫素點提取，存進h5檔案中，以方便後面使用，具體程式碼如下：
注：需要下載opencv，numpy，h5py等庫，如果沒有，請自行下載，推薦在cmd視窗中pip。

import os
import numpy as np
import cv2
import h5py

def ResizePic(path,save_path,dim):
    i = 1
    file_name = os.listdir(path)
    for img in file_name:
        image = cv2.imread(path + img)
 

        image_size = cv2.resize(image, dim, interpolation=cv2.INTER_AREA)
        cv2.imwrite(save_path + str(i) + '.jpg', image_size)
        i = i + 1


def save_image_to_h5py(path):
    img_list = []
    label_list = []

    for child_dir in os.listdir(path):

        img = cv2.imread(os.path.join
 
(path,child_dir))
        img_list.append(img)
        label_list.append(1)

    img_np = np.array(img_list)

    label_np = np.array(label_list)
    print('資料集標籤順序：\n',label_np)

    #'a' ，如果已經有這個名字的h5檔案存在將不會開啟，目的為了防止誤刪資訊。
    #‘w' ，如果有同名檔案也能開啟，但會覆蓋上次的內容。
    with h5py.File('datasets/test_cat.h5','a') as f:
        f.create_dataset('test_cat',data = img_np)
        f.create_dataset('test_label',data = label_np)

        f.close()

path = 'Image/pic/'
save_path = 'Image/test_pic/'
dim = (64,64)

d = ResizePic(path,save_path,dim)
b = save_image_to_h5py(save_path)

最終生成的效果如圖：

具體的對h5檔案的建立和讀取，請參考我的另外兩篇博文：
h5py檔案的建立和讀取，資料集的製作也不算很難；
如何用Python來建立一個深度學習的圖片集，改變畫素和自動排序

2.進行預測

我們先看看模型最後返回的引數是什麼：

def model(X_train,Y_train,X_test,Y_test,num_iterations=2000,learning_rate=0.5,print_cost=False):
 
    w,b = initalize_parameters_zero(X_train.shape[0])
    parameters,grads,costs = optimize(w,b,X_train,Y_train,num_iterations,learning_rate,print_cost)
    w,b = parameters['w'],parameters['b']

    Y_predict_test = predict(w,b,X_test)
    Y_predict_train = predict(w,b,X_train)

    print('訓練集準確度： ',format(100 - np.mean(np.abs(Y_predict_train - Y_train)) * 100), '%')
    print('測試集準確度： ', format(100 - np.mean(np.abs(Y_predict_test - Y_test)) * 100), '%')

    dic = {'costs':costs,
           'Y_predict_train':Y_predict_train,
           'Y_predict_test':Y_predict_test,
           'w':w,
           'b':b,
           'learning_rate':learning_rate,
           'num_iterations':num_iterations}

    return dic

可以很清楚的看到，模型最後返回的是一個dic的字典，裡面儲存的是一系列引數。而我們在預測需要用的是w和b。

---

我們再來看看預測函式是哈樣的：

def predict(w,b,X):
 
    m = X.shape[1]
    Y_predict = np.zeros((1,m))
    w = w.reshape(X.shape[0],1)

    A = sigmoid(np.dot(w.T,X)+b)

    for i in range(A.shape[1]):
        Y_predict[0,i] = 1 if A[0,i] > 0.5 else 0      #判斷閾值是否大於0.5，大於則是1，否則是0

    assert (Y_predict.shape == (1,m))

    return Y_predict

預測函式裡需要三個引數，w、b和X，X就是我們要預測的圖片資訊。

---

接下來就是把我們的h5檔案中的圖片資訊拿出來，再結合dic字典裡的w，b進行預測（就是這麼簡單）：

w = dic['w']
b = dic['b']

test = h5py.File('datasets/test_cat.h5','r')
test_cat_x_orig = np.array(test['test_cat'][:])
test_cat_x_flatten = test_cat_x_orig.reshape(test_cat_x_orig.shape[0],-1).T
test_cat = test_cat_x_flatten/255

pre = predict(w,b,test_cat)
print(pre)

執行一下看看結果：

輸出1則是貓，0不是貓。我所選的5張圖片全是貓，但結果卻只有三張是貓，所以精度不高，還需要改進。如何改進，請大家自己也動動大腦，和我一起想想方法。

---

結語

這有太多地方需要改進，精度遠遠不夠，奈何博主也是小新一枚，學力有限，希望大家能和我多多討論，在深度學習的道路上越走越長，謝謝大家。
原始碼我已經放到我的giuhub上了，希望大家去看看原始碼，在結合我講的，很容易懂。再次感謝大家閱讀。

點選這裡，原始碼奉上，感謝使用