python神经网络AlexNet分类模型训练猫狗数据集

下面是关于“python神经网络AlexNet分类模型训练猫狗数据集”的完整攻略。

准备工作

在开始训练之前，需要准备好猫狗数据集。可以从Kaggle上下载猫狗数据集。下载地址为：https://www.kaggle.com/c/dogs-vs-cats/data

下载完成后，需要将数据集解压缩，并将猫和狗的图片分别放在两个文件夹中。

AlexNet模型

AlexNet是一种经典的卷积神经网络模型，由Alex Krizhevsky等人在2012年提出。以下是AlexNet模型的代码：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential()

model.add(Conv2D(96, (11, 11), strides=(4, 4), activation='relu', input_shape=(227, 227, 3)))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Conv2D(256, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

model.summary()

在上面的代码中，我们定义了一个名为model的Sequential模型，并添加了多个卷积层、池化层、全连接层和Dropout层。其中，输入图片的大小为227x227x3，输出为1个sigmoid激活函数的神经元，用于二分类。

数据预处理

在训练之前，需要对数据进行预处理。以下是数据预处理的代码：

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    'train',
    target_size=(227, 227),
    batch_size=32,
    class_mode='binary'
)

validation_generator = test_datagen.flow_from_directory(
    'validation',
    target_size=(227, 227),
    batch_size=32,
    class_mode='binary'
)

在上面的代码中，我们使用Keras中的ImageDataGenerator函数对数据进行预处理。其中，训练数据集和验证数据集的目录分别为train和validation，图片大小为227x227，batch_size为32，class_mode为binary，表示二分类。

模型训练

以下是模型训练的代码：

from keras.optimizers import SGD

model.compile(loss='binary_crossentropy', optimizer=SGD(lr=0.01), metrics=['accuracy'])

model.fit_generator(
    train_generator,
    steps_per_epoch=2000,
    epochs=50,
    validation_data=validation_generator,
    validation_steps=800
)

model.save_weights('alexnet_weights.h5')

在上面的代码中，我们使用SGD优化器，学习率为0.01，损失函数为binary_crossentropy，评估指标为accuracy。训练50个epoch，每个epoch有2000个步骤，验证集有800个步骤。训练完成后，将模型权重保存到alexnet_weights.h5文件中。

示例1：使用训练好的模型进行预测

以下是使用训练好的模型进行预测的代码：

from keras.preprocessing import image
import numpy as np

img_path = 'test/cat.1.jpg'
img = image.load_img(img_path, target_size=(227, 227))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = x / 255.0

model.load_weights('alexnet_weights.h5')

preds = model.predict(x)
print(preds)

在上面的代码中，我们使用Keras中的image函数加载一张测试图片，并将其转换为模型输入的格式。然后，将模型权重加载到模型中，并使用predict函数进行预测。最后，打印预测结果。

示例2：使用训练好的模型进行特征提取

以下是使用训练好的模型进行特征提取的代码：

from keras.models import Model

model.load_weights('alexnet_weights.h5')

layer_name = 'dense_2'
intermediate_layer_model = Model(inputs=model.input, outputs=model.get_layer(layer_name).output)

img_path = 'test/cat.1.jpg'
img = image.load_img(img_path, target_size=(227, 227))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = x / 255.0

intermediate_output = intermediate_layer_model.predict(x)
print(intermediate_output)

在上面的代码中，我们使用Keras中的Model函数创建一个新的模型，该模型的输入和输出与原模型相同，但输出为指定层的输出。然后，将模型权重加载到模型中，并使用predict函数进行特征提取。最后，打印特征提取结果。