用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具.doc

《用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具　　用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具　　　　简用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具　　用Keras创造一个卷积神经网络来识别神奇宝贝妙蛙种子的填充玩具　　　　简介　　本文内容是构建完整端对端图像分类+深度学习应用系列的第二部分，你将会了解如何在你自己的数据库中建立、训练并评估一个卷积神经网络。　　为了让这个系列轻松、愉快，我决定实现我童年的一个梦想，那就是构造一个神奇宝贝图鉴。神奇宝贝图鉴是于神奇宝贝（一部很火的动画片、电子游戏和集换卡系列）世界中的一个设备（我曾经是以及

2、现在还是神奇宝贝的大粉丝）。　　如果你对于神奇宝贝不了解，你可以把神奇宝贝图鉴想象成一个可以识别神奇宝贝（一个长得像动物、存在于在神奇宝贝世界的生物）的智能手机app。　　当然你也可以换成你自己的数据，我只是觉得很有趣并且在做一件很怀旧的事情。　　想要知道如何在你自己的数据库中用Keras和深度学习训练一个卷积神经网络，继续往下读就行了。　　目录　　1.Keras和卷积神经网络　　我们的深度学习数据库　　卷积神经网络和Keras项目的结构　　Keras和CNN结构　　完成我们的CNN+Keras训练脚本　　用Keras训练CNN　　创造CNN和Keras训练脚本　　用CNN和Keras分类图片

3、　　该模型的局限性　　我们能否使用这个Keras深度学习模型建一个RESTAPI？　　Keras和卷积神经网络　　在上周的博文中，我们学习了如何能快速建立一个深度学习的图像数据库——我们使用了博文中的过程和代码来收集、下载和组织电脑上的图像。　　既然已有下载并组织好的图像，下一步就是在数据上训练一个卷积神经网络（CNN）。　　我将会在今天的博文中向你展示如何用Keras和深度学习来训练你的CNN。下周将要发布这个系列的最后一部分，将会向你展示你如何仅用几行代码将你训练好的Keras模型应用在一个智能手机（特别是iPhone）app上。　　这个系列的最终目的是帮助你建立一个能够运行的深度学习ap

4、p——用这个系列的文章作为发灵感启发，并且开始帮助你建立自己的深度学习应用。　　现在让我们开始用Keras和深度学习训练一个CNN。　　我们的深度学习数据库　　　　图1：神奇宝贝深度学习数据库中的样本示意图。它展示了神奇宝贝的每个种类。正如我们所见，数据库的内容范围很大，包含了插画、电影/电视节目截图、模型、玩具等。　　我们深度学习的数据库有1191个神奇宝贝）的图片。　　我们的目标是用Keras和深度学习训练一个卷积神经网络来识别和分类这些神奇宝贝。　　我们将要识别的神奇宝贝包括这几种：　　妙蛙种子（234张图片）　　小火龙（238张图片）　　杰尼龟（223张图片）　　皮卡丘（234张图片）

5、　　超梦（239张图片）　　每个种类的训练图片的示意图在图1中可见。　　正如你所见，我们的训练图片包括：　　电视节目和电影中的截图　　集换卡　　模型　　玩具　　粉丝的画作和艺术表达　　我们的CNN将从这些涵盖范围很广的使N一大堆图片中识别出5种神奇宝贝。——而且我们将会看到，我们可以达到97%的分类准确率！　　卷积神经网络和Keras项目的结构　　今天的项目有很多活动部件?。我们现在从回顾项目的目录结构开始。　　　　有3个目录：　　dataset：包含了5个种类，每个种类有自己单独的子目录，这使得分析种类标签较为容易。　　examples：包含了我们将要用来测试CNN的图片。　　pyimage

6、search模块：包含了SmallerVGGNet模型种类（在这片文章的后面将会用到）。　　根目录下有5个文件：　　plot.png：训练脚本运行之后产生的的训练/测试准确率和失败率的图像　　lb.pickle：LabelBinarizer序列化的目标文件——包含个从种类指标到种类名称的查找机制　　pokedex.model：这是我们序列化的Keras卷积神经网络的模型文件（即权值文件）　　train.py：我们将用这个脚本来训练我们的KerasCNN，划分准确率/失败率，然后将CNN和标签二值序列化于磁盘上。　　classify.py：测试脚本　　Keras和CNN结构　　　　图2：一个我称

7、为“SmallerVGGNet”的VGGNet类神经网络，它将被用于和Keras一起训练一个深度学习分类器。　　我们将要使用的CNN结构是VGGNet网络的一个小而紧凑的变体。Simonyan和Zisserman在他们2014年的论文VeryDeepConvolutionalNetworksforLargeScaleImageRecognition中引入。　　VGGNet类结构有这些特点：　　在增