使用python+keras來識別狗的品種

在這篇文章中，將教你們實現一個網頁應用程序，該程序能夠接收狗的圖片，而後輸出其品種，其準確率超過80%！

咱們將使用深度學習來訓練一個識別狗品種的模型，數據集是狗圖像與他們的品種信息，經過學習圖像的特徵來區分狗的品種。
數據分析
數據集能夠從這裏下載（https://s3-us-west-1.amazonaws.com/udacity-aind/dog-project/dogImages.zip）。如下是關於數據的一些介紹：

1. 犬種總數：133
2. 狗圖片總數：8351（訓練集：6680，驗證集：835，測試集：836）
3. 最受歡迎的品種：阿拉斯加對應96個樣本，博德牧羊犬對應93個樣本
   按圖片數量排序的前30個品種以下：
   
   咱們還能夠在這裏看到一些狗的圖片和它們的品種：
   
   數據預處理
   咱們會把每一個圖像做爲一個numpy數組進行加載，並將它們的大小調整爲224x224，這是大多數傳統神經網絡接受圖像的默認大小，另外咱們爲圖像的數量添加爲另外一個維度。

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換爲張量'''
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):
'''將給定路徑中的全部圖像轉換爲張量'''
list_of_tensors = [path_to_tensor(img_path) for img_path in tqdm(img_paths)]
return np.vstack(list_of_tensors)

最後，咱們使用ImageDataGenerator對圖像進行動態縮放和加強

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

咱們將在預處理數據集上從頭開始訓練卷積神經網絡（CNN），以下所示：

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)

model.fit(train_generator, epochs=5, validation_data=valid_generator, callbacks=[checkpointer])

咱們使用一個ModelCheckpoint的回調來保存驗證分數較高的模型。經過測試模型，咱們獲得的準確率只有1%左右
**使用遷移學習**
如今，咱們使用遷移學習來實現更高的準確率。首先咱們下載ResNet-50，能夠經過運行下面的代碼來提取相應的訓練集、測試和驗證集：

bottleneck_features = np.load('Data/bottleneck_features/DogResnet50Data.npz')
train_Resnet50 = bottleneck_features['train']
valid_Resnet50 = bottleneck_features['valid']
test_Resnet50 = bottleneck_features['test']

咱們如今再次定義模型，並對提取的特徵使用GlobalAveragePooling2D，它將一組特徵平均爲一個值。最後，若是驗證損失在兩個連續的epoch內沒有增長，咱們使用額外的回調來下降學習率；若是驗證損失在連續的5個epoch內沒有增長，能夠提早中止訓練。

Resnet50_model = tf.keras.models.Sequential()
Resnet50_model.add(tf.keras.layers.GlobalAveragePooling2D(input_shape=train_Resnet50.shape[1:]))
Resnet50_model.add(tf.keras.layers.Dense(1024, activation='relu'))
Resnet50_model.add(tf.keras.layers.Dense(133, activation='softmax'))

Resnet50_model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

checkpointer = tf.keras.callbacks.ModelCheckpoint(filepath='saved_models/weights_best_Resnet50.hdf5',
verbose=1, save_best_only=True)
early_stopping = tf.keras.callbacks.EarlyStopping(patience=5, monitor='val_loss')

reduce_lr = tf.keras.callbacks.ReduceLROnPlateau(patience=2, monitor='val_loss')
Resnet50_model.fit(train_Resnet50, train_targets,
validation_data=(valid_Resnet50, valid_targets),
epochs=50, batch_size=20, callbacks=[checkpointer, early_stopping, reduce_lr], verbose=1)### 訓練模型

最後在測試集上的準確率爲82.65%，這與咱們白手起家訓練的模型相比，是一個巨大的進步。
**構建web應用程序**
對於web應用程序，咱們首先編寫了一個helper函數，該函數接受圖像路徑並返回品種。label_to_cat字典將每一個數字標籤映射到它的狗品種。

def predict_breed(img_path):
'''預測給定圖像的品種'''

提取特徵

bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))
bottleneck_feature = tf.keras.models.Sequential([
                        tf.keras.layers.GlobalAveragePooling2D(input_shape=bottleneck_feature.shape[1:])
                    ]).predict(bottleneck_feature).reshape(1, 1, 1, 2048)
# 得到預測向量
predicted_vector = Resnet50_model.predict(bottleneck_feature)
# 模型預測的犬種
return label_to_cat[np.argmax(predicted_vector)]

對於web應用程序，咱們將使用flaskweb框架來幫助咱們用最少的代碼建立web應用程序。咱們定義一個接受圖像的路由，並用狗的品種呈現一個輸出模板

@app.route('/upload', methods=['POST','GET'])
def upload_file():
if request.method == 'GET':
return render_template('index.html')
else:
file = request.files['image']
full_name = os.path.join(UPLOAD_FOLDER, file.filename)
file.save(full_name)
dog_breed = dog_breed_classifier(full_name)
return render_template('predict.html', image_file_name = file.filename, label = dog_breed)

predict.html是分別顯示圖像及其犬種的模板。
**結論**
祝賀你！你已經成功地實現了一個狗品種分類器，而且能夠準確地分辨出狗的品種。讓咱們總結一下咱們在這裏學到的知識：
1. 咱們對數據集進行了分析和預處理。機器學習算法須要單獨的訓練集、測試集和驗證集來進行置信預測。
1. 咱們從零開始使用CNN，因爲未能提取特徵，因此表現不佳。
1. 而後咱們使用了遷移學習，準確度大大提升
1.  最後，咱們構建了一個Flask web應用程序來實現咱們的項目封裝
咱們確實學到了不少東西，但你還能夠嘗試不少其餘的事情。你能夠在heroku上部署web應用程序，也能夠嘗試使用不一樣的層（如Dropout層）來提升準確性。
參考連接：https://towardsdatascience.com/dont-know-the-breed-of-your-dog-ml-can-help-6558eb5f7f05