cifar10数据集图像增强(keras ImageDataGenerator)

import tensorflow as tf
import matplotlib.pyplot as plt
import matplotlib as mpl
import os
import numpy as np
import pandas as pd
import pickle
import keras
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten,BatchNormalization
from keras.layers import Dense, Dropout
from keras.preprocessing.image import ImageDataGenerator
from keras.datasets import cifar10

# 初始化参数
batch_size = 32
epochs = 100  # 迭代次数
num_classes = 10  # 分类数
data_augmentation = False  # 数据增强
model_dir = os.path.join(os.getcwd(), 'saved_models')  # 保存路径
model_name = 'keras_cifar10_trained_model.h5'  # 文件名

# 加载并检查数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
print('x_train.shape = ' + str(x_train.shape))
print('y_train.shape = ' + str(x_test.shape))
print('train samples = ' + str(x_train.shape[0]))
print('test samples = ' + str(x_test.shape[0]))

# 数据预处理
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
x_train = x_train.astype('float32')
x_train /= 255.
x_test = x_test.astype('float32')
x_test /= 255.

# 搭建Sequential模型
model = keras.Sequential()  # conv -> conv -> maxpool -> dropout -> conv -> conv -> maxpool -> dropout -> flatten -> fc -> dropout -> fc -> softmax

model.add(Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=x_train.shape[1:]))
model.add(Conv2D(64, (3, 3), padding="same",activation='relu'))
model.add(BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Conv2D(128, (3, 3),padding="same",activation='relu'))
model.add(BatchNormalization())
model.add(Conv2D(128, (3, 3),padding="same",activation='relu'))
model.add(BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Conv2D(256, (3, 3),padding="same",activation='relu'))
model.add(BatchNormalization())
model.add(Conv2D(256, (3, 3),padding="same",activation='relu'))
model.add(BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# 模型编译
opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)  # 优化器,这里选择使用
model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
if not data_augmentation:
    print("Not using data augementation")
    model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test),
              shuffle=True)
else:
    print("Using real-time data augmentation")  # 使用实时的数据增加
    data_generate = ImageDataGenerator(featurewise_center=False,  # 将输入数据的均值设置为0
                                       samplewise_center=False,  # 将每个样本的均值设置为0
                                       featurewise_std_normalization=False,  # 将输入除以数据标准差,逐特征进行
                                       samplewise_std_normalization=False,  # 将每个输出除以其标准差
                                       zca_epsilon=1e-6,  # ZCA白化的epsilon值,默认为1e-6
                                       zca_whitening=False,  # 是否应用ZCA白化
                                       rotation_range=0,  # 随机旋转的度数范围,输入为整数
                                       width_shift_range=0.1,  # 左右平移,输入为浮点数,大于1时输出为像素值
                                       height_shift_range=0.1,  # 上下平移,输入为浮点数,大于1时输出为像素值
                                       shear_range=0.,  # 剪切强度,输入为浮点数
                                       zoom_range=0.,  # 随机缩放,输入为浮点数
                                       channel_shift_range=0.,  # 随机通道转换范围,输入为浮点数
                                       fill_mode='nearest',  # 输入边界以外点的填充方式,还有constant,reflect,wrap三种填充方式
                                       cval=0.,  # 用于填充的值,当fill_mode='constant'时生效
                                       horizontal_flip=True,  # 随机水平翻转
                                       vertical_flip=False,  # 随机垂直翻转
                                       rescale=None,  # 重随放因子,为None或0时不进行缩放
                                       preprocessing_function=None,  # 应用于每个输入的函数
                                       data_format=None,  # 图像数据格式,默认为channels_last
                                       validation_split=0.0)

    # 使用实时数据增强的batch对模型进行拟合
    model.fit_generator(data_generate.flow(x_train, y_train, batch_size), steps_per_epoch=len(x_train) // batch_size,
                        epochs=epochs)

# 保存模型
if not os.path.isdir(model_dir):  # 目录是否存在,不存在则创建相应的目录
    os.makedirs(model_dir)
    model_path = os.path.join(model_dir, model_name)
    model.save(model_path)
    print("Saved trained model at: " + str(model_path))

# 模型预测
scores = model.evaluate(x_test, y_test, batch_size=batch_size, verbose=1)  # 以进度条的方式显示迭代过程
print("Test loss is: " + str(scores[0]))
print("Test accuracy is: " + str(scores[1]))
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349

推荐阅读更多精彩内容