在這篇文章中，將教大家實現(xiàn)一個網(wǎng)頁應(yīng)用程序，該程序可以接收狗的圖片，然后輸出其品種，其準確率超過80％！

我們將使用深度學(xué)習(xí)來訓(xùn)練一個識別狗品種的模型，數(shù)據(jù)集是狗圖像與他們的品種信息，通過學(xué)習(xí)圖像的特征來區(qū)分狗的品種。數(shù)據(jù)分析數(shù)據(jù)集可以從這里下載（https：／／s3－us－west－1．a(chǎn)mazonaws．com／udacity－aind／dog－project／dogImages．zip）。以下是關(guān)于數(shù)據(jù)的一些介紹：犬種總數(shù)：133狗圖片總數(shù)：8351（訓(xùn)練集：6680，驗證集：835，測試集：836）最受歡迎的品種：阿拉斯加對應(yīng)96個樣本，博德牧羊犬對應(yīng)93個樣本按圖片數(shù)量排序的前30個品種如下：

我們還可以在這里看到一些狗的圖片和它們的品種：

數(shù)據(jù)預(yù)處理我們會把每個圖像作為一個numpy數(shù)組進行加載，并將它們的大小調(diào)整為224x224，這是大多數(shù)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)接受圖像的默認大小，另外我們?yōu)閳D像的數(shù)量添加為另一個維度。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(zhuǎn)換為張量＇＇＇ 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）： ＇＇＇將給定路徑中的所有圖像轉(zhuǎn)換為張量＇＇＇ list＿of＿tensors ＝ ［path＿to＿tensor（img＿path） for img＿path in tqdm（img＿paths）］ return np．vstack（list＿of＿tensors）最后，我們使用ImageDataGenerator對圖像進行動態(tài)縮放和增強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我們將在預(yù)處理數(shù)據(jù)集上從頭開始訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN），如下所示：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］）我們使用一個ModelCheckpoint的回調(diào)來保存驗證分數(shù)較高的模型。通過測試模型，我們得到的準確率只有1％左右使用遷移學(xué)習(xí)現(xiàn)在，我們使用遷移學(xué)習(xí)來實現(xiàn)更高的準確率。首先我們下載ResNet－50，可以通過運行下面的代碼來提取相應(yīng)的訓(xùn)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＇］我們現(xiàn)在再次定義模型，并對提取的特征使用GlobalAveragePooling2D，它將一組特征平均為一個值。最后，如果驗證損失在兩個連續(xù)的epoch內(nèi)沒有增加，我們使用額外的回調(diào)來降低學(xué)習(xí)率；如果驗證損失在連續(xù)的5個epoch內(nèi)沒有增加，可以提前停止訓(xùn)練。Resnet50＿model ＝ tf．keras．models．Sequential（）Resnet50＿model．a(chǎn)dd（tf．keras．layers．GlobalAveragePooling2D（input＿shape＝train＿Resnet50．shape［1：］））Resnet50＿model．a(chǎn)dd（tf．keras．layers．Dense（1024， activation＝＇relu＇））Resnet50＿model．a(chǎn)dd（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(xùn)練模型最后在測試集上的準確率為82．65％，這與我們白手起家訓(xùn)練的模型相比，是一個巨大的進步。構(gòu)建web應(yīng)用程序?qū)τ趙eb應(yīng)用程序，我們首先編寫了一個helper函數(shù)，該函數(shù)接受圖像路徑并返回品種。label＿to＿cat字典將每個數(shù)字標簽映射到它的狗品種。def predict＿breed（img＿path）： ＇＇＇預(yù)測給定圖像的品種＇＇＇ ＃ 提取特征 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） ＃ 獲得預(yù)測向量 predicted＿vector ＝ Resnet50＿model．predict（bottleneck＿feature） ＃ 模型預(yù)測的犬種 return label＿to＿cat［np．a(chǎn)rgmax（predicted＿vector）］對于web應(yīng)用程序，我們將使用flaskweb框架來幫助我們用最少的代碼創(chuàng)建web應(yīng)用程序。我們定義一個接受圖像的路由，并用狗的品種呈現(xiàn)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(jié)論

祝賀你！你已經(jīng)成功地實現(xiàn)了一個狗品種分類器，并且可以準確地分辨出狗的品種。讓我們總結(jié)一下我們在這里學(xué)到的知識：我們對數(shù)據(jù)集進行了分析和預(yù)處理。機器學(xué)習(xí)算法需要單獨的訓(xùn)練集、測試集和驗證集來進行置信預(yù)測。我們從零開始使用CNN，由于未能提取特征，所以表現(xiàn)不佳。然后我們使用了遷移學(xué)習(xí)，準確度大大提高最后，我們構(gòu)建了一個Flask web應(yīng)用程序來實現(xiàn)我們的項目封裝我們確實學(xué)到了很多東西，但你還可以嘗試很多其他的事情。你可以在heroku上部署web應(yīng)用程序，也可以嘗試使用不同的層（如Dropout層）來提高準確性。

參考鏈接：https：／／towardsdatascience．com／dont－know－the－breed－of－your－dog－ml－can－h(huán)elp－6558eb5f7f05
責(zé)編AJX