【火爐煉AI】深度學習008-Keras解決多分類問題

【火爐煉AI】深度學習008-Keras解決多分類問題

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, Keras 2.1.6, Tensorflow 1.9.0)

在我前面的文章【火爐煉AI】深度學習005-簡單幾行Keras代碼解決二分類問題中，介紹了用Keras解決二分類問題。那麼多分類問題該怎麼解決？有哪些不一樣？

1. 準備數據集

爲了演示，本次選用了博文keras系列︱圖像多分類訓練與利用bottleneck features進行微調（三）中提到的數據集，原始的數據集將全部類別的train照片放到train文件夾中，全部的test照片放在test文件夾中，而用不一樣數字開頭來表示不一樣類別，好比以3開頭的照片就是bus類等。首先將這些不一樣類別的照片放在不一樣的文件夾中，最終的train文件夾有5個子文件夾，每一個子文件夾中有80張圖片，最終的test文件夾中有5個子文件夾，每一個子文件夾中有20張圖片。總共只有500張圖片。

在代碼上，須要用ImageDataGenerator來作數據加強，而且用flow_from_directory來從文件夾中產生數據流。

代碼和二分類的文章基本相同，此處就不貼出來了，能夠去個人github直接看所有的代碼。

惟一的不一樣之處是要設置class_mode='categorical'，而不是原來二分類問題的class_mode='binary'

2. 模型的構建和訓練

基本和二分類同樣，以下爲模型的構建部分：

# 4，創建Keras模型：模型的創建主要包括模型的搭建，模型的配置
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import optimizers
def build_model(input_shape):
    # 模型的搭建：此處構建三個CNN層+2個全鏈接層的結構
    model = Sequential()
    model.add(Conv2D(32, (3, 3), input_shape=input_shape))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Conv2D(32, (3, 3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Conv2D(64, (3, 3)))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Flatten())
    model.add(Dense(64))
    model.add(Activation('relu'))
    model.add(Dropout(0.5)) # Dropout防止過擬合
    model.add(Dense(class_num)) # 此處多分類問題，用Dense(class_num)
    model.add(Activation('softmax')) #多分類問題用softmax做爲activation function
    
    # 模型的配置
    model.compile(loss='categorical_crossentropy', # 定義模型的loss func，optimizer，
                  optimizer=optimizers.RMSprop(), # 使用默認的lr=0.001
                  metrics=['accuracy'])# 主要優化accuracy

    return model # 返回構建好的模型
複製代碼

改變之處是：最後的Dense層須要用Dense(class_num)來代替Dense(1)，而後用多分類的標配activation function: softmax。在模型的配置方面，也須要將loss function改成'categorical_crossentropy'。

經過模型的訓練後，最終結果以下所示：

從結果上看：沒有出現過擬合現象，可是test acc不太穩定，變化比較大。在平臺期後的test acc約爲0.85.

########################小**********結###############################

1，多分類問題和二分類問題基本相同，不一樣之處在於：1，設置flow_flow_directory時要用設置class_mode='categorical'。2，模型的最後一層要用Dense(class_num)和softmax這個多分類專用激活函數。3，模型的loss function要使用categorical_crossentropy。

#################################################################

注：本部分代碼已經所有上傳到（個人github）上，歡迎下載。