這個程式碼比較老舊，請移步最新實現link：https://blog.csdn.net/zh_JNU/article/details/81018352，可在本文檢視資料說明和在末尾下載資料集，謝謝～～～～～

接觸深度學習3個月以來，從當初的小白零基礎學習，過程十分艱苦，看了幾章大牛 YoshuaBengio 寫的deep learning一書，粗略瞭解了基本常用的神經網路以及梯度更新策略，引數優化，也瞭解以及簡單的使用常用的深度學習開發框架caffe，tensorflow，theano，sklearn機器學習庫，目前keras比較火，所以使用keras來簡單的進行圖片識別分類。

資料集準備：

看caffe部落格的時候看到的資料集，然後就下載使用，資料集可以在最後下載。

資料集一共有5類圖片，一共500張，每類圖片100張，訓練集400張，每類80張，測試集100張，每類20張

第一步：

資料集進行處理：

使用opencv對圖片進行處理，縮放圖片大小為128×128大小，通道為單通道灰度影象
#coding:utf8
import os
import cv2.cv as cv
import cv2
# 遍歷指定目錄，顯示目錄下的所有檔名
width_scale = 192 #縮放尺寸寬度
height_scale = 128#縮放尺寸高度
write_path = "/home/zhanghao/data/classification/test_scale/"#要寫入的圖片路徑

#遍歷每一張圖片進行處理

def eachFile(filepath):
    pathDir =  os.listdir(filepath)
    for allDir in pathDir:
        child = os.path.join('%s%s' % (filepath,allDir))
    write_child = os.path.join('%s%s' % (write_path,allDir))
    image = cv.LoadImage(child,0)
    des_image = cv.CreateImage((width_scale,height_scale),image.depth,1)
    cv.Resize(image,des_image,cv2.INTER_AREA)
#    cv.ShowImage('afe',des_image)
    cv.SaveImage(write_child,des_image)
#    break
if __name__ == '__main__':
     filePathC = "/home/zhanghao/data/classification/test/"
     eachFile(filePathC)

第二步

把圖片集製作成keras識別的資料集

#製作資料集
def data_label(path,count):
    data = np.empty((count,1,128,192),dtype = 'float32')#建立空的四維張量型別32位浮點
    label = np.empty((count,),dtype = 'uint8')
    i = 0
    pathDir = os.listdir(path)
    for each_image in pathDir:
        all_path = os.path.join('%s%s' % (path,each_image))#路徑進行連線
        image = cv2.imread(all_path,0)
        mul_num = re.findall(r"\d",all_path)#尋找字串中的數字，由於影象命名為300.jpg 標籤設定為0
        num = int(mul_num[0])-3
#        print num,each_image
#        cv2.imshow("fad",image)
#        print child
        array = np.asarray(image,dtype='float32')
        data[i,:,:,:] = array
        label[i] = int(num)
        i += 1
    return data,label

第三步

構建卷積神經網路進行訓練和測試

#構建卷積神經網路
def cnn_model(train_data,train_label,test_data,test_label):
    model = Sequential()
    model.add(Convolution2D(
        nb_filter = 12,
        nb_row = 3,
        nb_col = 3,
        border_mode = 'valid',
        dim_ordering = 'th',
        input_shape = (1,128,192)))
    model.add(Activation('relu'))#啟用函式使用修正線性單元
    model.add(MaxPooling2D(
        pool_size = (2,2),
        strides = (2,2),
        border_mode = 'valid'))
    model.add(Convolution2D(
        24,
        3,
        3,
        border_mode = 'valid',
        dim_ordering = 'th'))
    model.add(Activation('relu'))
#池化層 24×29×29
    model.add(MaxPooling2D(
        pool_size = (2,2),
        strides = (2,2),
        border_mode = 'valid'))
    model.add(Convolution2D(
        48,
        3,
        3,
        border_mode = 'valid',
        dim_ordering = 'th'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(
        pool_size = (2,2),
        strides =(2,2),
        border_mode = 'valid'))
    model.add(Flatten())
    model.add(Dense(20))
    model.add(Activation(LeakyReLU(0.3)))
    model.add(Dropout(0.5))
    model.add(Dense(20))
    model.add(Activation(LeakyReLU(0.3)))
    model.add(Dropout(0.4))
    model.add(Dense(5,init = 'normal'))
    model.add(Activation('softmax'))
    adam = Adam(lr = 0.001)
    model.compile(optimizer = adam,
            loss =  'categorical_crossentropy',
            metrics = ['accuracy'])
    print '----------------training-----------------------'
    model.fit(train_data,train_label,batch_size = 12,nb_epoch = 35,shuffle = True,show_accuracy = True,validation_split = 0.1)
    print '----------------testing------------------------'
    loss,accuracy = model.evaluate(test_data,test_label)
    print '\n test loss:',loss
    print '\n test accuracy',accuracy

第四步

呼叫上述函式進行訓練預測

train_path = '/home/zhanghao/data/classification/train_scale/'
test_path = '/home/zhanghao/data/classification/test_scale/'
train_count = getnum(train_path)
test_count = getnum(test_path)
train_data,train_label = data_label(train_path,train_count)
test_data,test_label = data_label(test_path,test_count)
train_label = np_utils.to_categorical(train_label,nb_classes = 5)
test_label = np_utils.to_categorical(test_label,nb_classes = 5)
cnn_model(train_data,train_label,test_data,test_label)

用到的標頭檔案

import re
import cv2
import os
import numpy as np
import cv2.cv as cv
from keras.models import Sequential
from keras.layers.core import Dense,Activation,Flatten
from keras.layers.convolutional import Convolution2D,MaxPooling2D
from keras.optimizers import Adam

from keras.layers.advanced_activations import LeakyReLU

from keras.utils import np_utils

cpu執行，迭代50次，預測準確率達到92%，還算可以的準確率

具體實現程式碼：https://github.com/zhanghao-JNU/keras-training

路漫漫其修遠兮，吾將上下而求索

資料集網盤連結連結：https://pan.baidu.com/s/1boDvWTL 密碼：vxrb

有什麼問題可以發郵件聯絡（[email protected]）共同討論進步，這個程式碼太老啦太low啦，有什麼錯誤不要介意！！！！