深度学习入门之第五章：经典卷积神经网络( 五 )
数据生成器通过Tensorflow中的ImageDataGenerator函数调用 。 具体使用方法如下 。
（1）定义两个不同的数据生成器 ， 其中validation_generator为生成的验证数据集 ， train_generator为生成的训练数据集 。
（2）以validation_generator为例 ， 在ImageDataGenerator中 ， 参数resale=1.0/255用于将图像的像素取值转换为0～1 。
（3）函数flow_from_directory表示数据生成器要从本地目录data/ChineseStyle/test中读取数据 。 由于该目录下有两个不同的子目录 ， 一个叫作lishu ， 另一个叫作xingkai ， 所以程序会知道这是一个二类别问题 。
（4）统一原始图像的像素规格 ， 因为Tensorflow要求输入的像素必须一致 ， 定义IMSIZE=227 ， 因此不管输入图像是什么规格 ， 输出一定是227×227像素的 。
（5）batch_size=200代表每次读200张图像 。
（6）因变量为categorical ， 说明是一个分类问题 。
到此 ， 完成了验证数据集生成器的定义 ， 同样的操作也应用在train_generator上 。 这就是数据生成器的基本情况 ， 具体如代码示例5-5所示 。
代码示例5-5：数据生成器
1from Keras.preprocessing.image import ImageDataGenerator 2 3IMSIZE=227 4 5validation_generator = ImageDataGenerator(rescale=1./255).flow_from_directory( 6'./data_alex/ChineseStyle/test/', 7target_size=(IMSIZE, IMSIZE), 8batch_size=200, 9class_mode='categorical')1011train_generator = ImageDataGenerator(rescale=1./255).flow_from_directory(12'./data_alex/ChineseStyle/train',13target_size=(IMSIZE, IMSIZE),14batch_size=200,15class_mode='categorical')数据读入后 ， 利用pyplot函数将原始图像的中文字体展示在画板上 ， 首先通过plt.figure()将画布初始化 ， 利用plt.subplots()将画板设定为2行5列的形式 ， 其中高为6个单位 ， 宽为15个单位 ， 将每一个位置用ax记录下来 ， 把validation_generator数据生成器输入给一个特定的命令next() ， 它会不停地向外输出数据 ， 每执行一次next() ， 就输出一张图像 ， 这里输出10张图像 。 具体如代码示例5-6 。
代码示例5-6：输出图像
1from matplotlib import pyplot as plt23plt.figure()4fig,ax = plt.subplots(2,5)5fig.set_figheight(7)6fig.set_figwidth(15)7ax=ax.flatten()8X,Y=next(validation_generator)9for i in range(10): ax[i].imshow(X[i,:,:,:])输出：
文章插图
03
AlexNet代码实现
有了LeNet-5的代码基础 ， 相信大家看懂AlexNet的代码不是难事 ， AlexNet的代码如代码示例5-7 ， 代码细节不再赘述 。
代码示例5-7：AlexNet代码实现
1from Keras.layers import Activation,Conv2D, BatchNormalization, Dense 2from Keras.layers import Dropout, Flatten, Input, MaxPooling2D, ZeroPadding2D 3from Keras import Model 4 5IMSIZE = 227 6input_layer = Input([IMSIZE,IMSIZE,3]) 7x = input_layer 8x = Conv2D(96,[11,11],strides = [4,4], activation = 'relu')(x)9x = MaxPooling2D([3,3], strides = [2,2])(x)10x = Conv2D(256,[5,5],padding = "same", activation = 'relu')(x)11x = MaxPooling2D([3,3], strides = [2,2])(x)12x = Conv2D(384,[3,3],padding = "same", activation = 'relu')(x) 13x = Conv2D(384,[3,3],padding = "same", activation = 'relu')(x) 14x = Conv2D(256,[3,3],padding = "same", activation = 'relu')(x) 15x = MaxPooling2D([3,3], strides = [2,2])(x)16x = Flatten()(x)17x = Dense(4096,activation = 'relu')(x)18x = Dropout(0.5)(x)19x = Dense(4096,activation = 'relu')(x)20x = Dropout(0.5)(x)21x = Dense(2,activation = 'softmax')(x) 22output_layer=x23model=Model(input_layer,output_layer)24model.summary()
推荐阅读
- 计算机专业大一下学期，该选择学习Java还是Python
- 苹果两款新iPad齐曝光：性能提高、入门款更轻薄、售价便宜
- 假期弯道超车 国美学习“神器”助孩子变身“学霸”
- 想自学Python来开发爬虫，需要按照哪几个阶段制定学习计划
- 未来想进入AI领域，该学习Python还是Java大数据开发
- RHEL 9提升了x86_64处理器的入门要求
- Google AI建立了一个能够分析烘焙食谱的机器学习模型
- 学习大数据是否需要学习JavaEE
- 入门HiFi享好声，这几款耳机绝对值得入手
- 学习“时代楷模”精神 信息科技创新助跑5G智慧港口