项目介绍

小狗分类器可以做什么？
通过这个分类器，你只需要上传照片，就可以得到小狗的品种，以及更多的信息。
这就是所谓的「机器学习」，让机器自己去“学习”。我们今天要做的这个分类任务，是一个“监督学习”的过程。
监督学习的主要目标是从有标签的训练数据中学习模型，以便对未知或未来的数据做出预测。
我给大家讲一个例子。
用“房子的尺寸”预测“房子的价格”

图片来自（吴恩达－机器学习）

X-房子的尺寸（小狗的图片）
Y-房子的价格（小狗的类别）

如图，我们根据已经有的数据集（图上的坐标），可以拟合出一条近似符合规律的直线。
这样，再有新的房子尺寸（1250），我们就可以估算出房子的价格（220k）了。
有了这些简单的基础，可以开始搞了。

效果展示

训练集的准确率为0.925，但测试集只有0.7
说明过拟合了，可以再增加一些图片，或者使用数据增强，来减少过拟合。

测试了两张图片，全都识别对了！

编写思路

整个分类器的实现，可以分为以下几个部分：

1 准备数据集

我们可以通过爬虫技术，把4类图像（京巴、拉布拉多、柯基、泰迪）保存到本地。总共有840张图片做训练集，188张图片做测试集。
数据集的准备，可以参考上一篇文章。

点击上图，阅读原文

2 数据集的预处理

1) 统一尺寸为1001003（RGB彩色图像）

2) 由于数据是自己下载的，需要制作标签（label），可提取图像名称的第一个数字作为类别。（重命名图片）

3）划分数据集

840张图片做训练集，188张图片做测试集。

4）把图片转换为网络需要的类型

只放了训练集的代码，测试集一样操作。
ima_train = os.listdir('./train')

图片其实就是一个矩阵（每一个像素都是0-255之间的数）（1001003）
1.把图片转换为矩阵
def read_train_image(filename):

img = Image.open('./train/' + filename).convert('RGB')
return np.array(img)

x_train = []
2.把所有的图片矩阵放在一个列表里 (840, 100, 100, 3)
for i in ima_train:

x_train.append(read_train_image(i))

x_train = np.array(x_train)
3.提取kind类别作为标签
y_train = []
for filename in ima_train:

y_train.append(int(filename.split('_')[0]))

标签（0/1/2/3）(840,)
y_train = np.array(y_train)

我是因为重命名图片为（1/2/3/4），所以都减了1
为了能够转化为独热矩阵
y_train = y_train - 1

4.把标签转换为独热矩阵
将类别信息转换为独热码的形式（独热码有利于神经网络的训练）
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
print(y_test)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

x_train /= 255
x_test /= 255
print(x_train.shape) # (840, 100, 100, 3)
print(y_train.shape) # (840,)

3 搭建卷积神经网络

Keras是基于TensorFlow的深度学习库，是由纯Python编写而成的高层神经网络API，也仅支持Python开发。

它是为了支持快速实践而对Tensorflow的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。

4 训练

训练的过程，就是最优解的过程。

对上图来说，就是根据数据集，不断的迭代，找到一条最近似的直线（y = kx + b），把参数k，b保存下来，预测的时候直接加载。

5 预测

此时k、b(参数)和x(小狗的图像)都是已知的了，求k(类别)就完了。

作者：GitPython

来源：微信公众号 小詹学Python