基于AlexNet完成五种花的训练和识别
花分类数据集获取及项目简介
在本例中，我们将使用通过Python爬虫技术获取的不具备版权的3762张样本图片，包括5个类别：其中daisy（菊花）633张，dandelion（蒲公英）898张，roses（玫瑰）641张，sunflowers（太阳花）699张，tulips（郁金香）799张；
- 训练集图片共3306张，同样也是5种类别，其中daisy（菊花）570张，dandelion（蒲公英）809张，roses（玫瑰）577张，sunflowers（太阳花）630张，tulips（郁金香）720张；
- 测试集图片共364张，也是5种类别，其中daisy（菊花）53张，dandelion（蒲公英）89张，roses（玫瑰）64张，sunflowers（太阳花）69张，tulips（郁金香）79张；
有了数据集之后，我们将搭建AlexNet卷积神经网络，通过对图片的训练，来完成对要识别图片的判断，要注意的一点，因为此项目中样本集中图片总量较小，所以相比第一个例子，识别率可能会有所下降。
代码及最终效果展示
接下来，我们给出本案例的核心代码，即AlexNet网络模型搭建的核心代码：
from TensorFlow.keras import layers, models, Model, Sequential def flower_AlexNet(im_height=224, im_width=224, class_num=1000): input_image = layers.Input(shape=(im_height, im_width, 3), dtype="float32") # output(None, 224, 224, 3) x = layers.ZeroPadding2D(((1, 2), (1, 2)))(input_image) # output(None, 227, 227, 3) x = layers.Conv2D(48, kernel_size=11, strides=4, activation="relu")(x) # output(None, 55, 55, 48) x = layers.MaxPool2D(pool_size=3, strides=2)(x) # output(None, 27, 27, 48) x = layers.Conv2D(128, kernel_size=5, padding="same", activation="relu")(x) # output(None, 27, 27, 128) x = layers.MaxPool2D(pool_size=3, strides=2)(x) # output(None, 13, 13, 128) x = layers.Conv2D(192, kernel_size=3, padding="same", activation="relu")(x) # output(None, 13, 13, 192) x = layers.Conv2D(192, kernel_size=3, padding="same", activation="relu")(x) # output(None, 13, 13, 192) x = layers.Conv2D(128, kernel_size=3, padding="same", activation="relu")(x) # output(None, 13, 13, 128) x = layers.MaxPool2D(pool_size=3, strides=2)(x) # output(None, 6, 6, 128) x = layers.Flatten()(x) # output(None, 6*6*128) x = layers.Dropout(0.2)(x) x = layers.Dense(2048, activation="relu")(x) # output(None, 2048) x = layers.Dropout(0.2)(x) x = layers.Dense(2048, activation="relu")(x) # output(None, 2048) x = layers.Dense(class_num)(x) # output(None, 5) predict = layers.Softmax()(x) model = models.Model(inputs=input_image, outputs=predict) return model
为了更好的观察训练集和测试集损失值、精度的拟合曲线，我们通过如下代码将其绘制出来：
# plot loss and accuracy image history_dict = history.history train_loss = history_dict["loss"] train_accuracy = history_dict["accuracy"] val_loss = history_dict["val_loss"] val_accuracy = history_dict["val_accuracy"] # figure 1 plt.figure() plt.plot(range(epochs), train_loss, label='train_loss') plt.plot(range(epochs), val_loss, label='val_loss') plt.legend() plt.xlabel('epochs') plt.ylabel('loss') # figure 2 plt.figure() plt.plot(range(epochs), train_accuracy, label='train_accuracy') plt.plot(range(epochs), val_accuracy, label='val_accuracy') plt.legend() plt.xlabel('epochs') plt.ylabel('accuracy') plt.show()
绘制出的结果如下所示：
图 1.1 loss曲线
图 1.2 accuracy曲线
图 1.3 玫瑰花识别效果图
写在最后
关于花分类识别的相关代码
需要注意的一点，我的毕设中关于花分类识别的代码是基于TensorFlow 1.x 版本的，代码略显冗长、规范程度也有待提高，因此在花分类识别的案例中只给出核心部分的代码，小伙伴们可以自己补齐其他代码或者私信找我，我私发给你。
关于花分类识别案例的拓展
为了丰富本论文的项目成果，同时也为了体验华为云AI开发平台的魅力，在毕业设计（基于Tensorflow的深度研究与实现）之番外篇中我们借助华为云AI开发平台ModelArts对训练集中的数据进行数据标注、模型训练并最终部署测试（注：此部分不用编写任何代码，只需要会鼠标操作即可）。
