CNN卷积神经网络是人工智能的开端，CNN卷积神经网络让计算机能够认识图片，文字，甚至音频与视频。CNN卷积神经网络的基础知识，可以参考：CNN卷积神经网络

LetNet体系结构是卷积神经网络的“第一个图像分类器”。最初设计用于对手写数字进行分类，上期文章我们分享了如何使用keras来进行手写数字的神经网络搭建：Keras人工智能神经网络 Classifier 分类 神经网络搭建

我们也可以轻松地将其扩展到其他类型的图像上，本期使用小雪人的照片，来让神经网络识别雪人

雪人的图片大家可以到网络上自行下载，当然也可以使用爬虫技术来下载

搭建keras神经网络识别图片

from keras.models import Sequentialfrom keras.layers.convolutional import Conv2Dfrom keras.layers.convolutional import MaxPooling2Dfrom keras.layers.core import Activationfrom keras.layers.core import Flattenfrom keras.layers.core import Densefrom keras import backend as K

首先导入需要的模块，建立一个神经网络以便后期使用，在一个单独的文件中，命名此神经网络类(lenet.py)

class LeNet:@staticmethoddef build(width, height, depth, classes):# 使用Sequential()初始化modelmodel = Sequential()inputShape = (height, width, depth) #tensorflow默认设置 #宽度 ：输入图像的宽度 #高度 ：输入图像的高度 #深度 ：输入图像中的频道数(1个 对于灰度单通道图像， 3 标准RGB图像) # 若是其他的(Theano)，则使用((depth, height, width)if K.image_data_format() == "channels_first":inputShape = (depth, height, width)#建立卷积神经网络 =>然后是 RELU => 然后是max pooling(跟前期分享的tensorflow教程类似)model.add(Conv2D(20, (5, 5), padding="same",input_shape=inputShape))model.add(Activation("relu"))model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))# 建立卷积神经网络 =>然后是 RELU => 然后是max pooling(第二层)model.add(Conv2D(50, (5, 5), padding="same"))model.add(Activation("relu"))model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))# 增加全连接层model.add(Flatten())model.add(Dense(500))model.add(Activation("relu"))# softmax classifier 来进行神经网络的分类model.add(Dense(classes))model.add(Activation("softmax"))# return the modelreturn model

训练keras神经网络

以上建立了keras 的神经网络模型，我们就使用预先下载好的图片来训练神经模型

建立一个train.py文件，插入如下代码，来训练神经网络模型(图片数据里面分成如下2类)

snowman #我们训练的图片notsnowman 增加非雪人图片的训练

import matplotlibmatplotlib.use("Agg")from keras.preprocessing.image import ImageDataGeneratorfrom keras.optimizers import Adamfrom sklearn.model_selection import train_test_splitfrom keras.preprocessing.image import img_to_arrayfrom keras.utils import to_categoricalfrom lenet import LeNetfrom imutils import pathsimport matplotlib.pyplot as pltimport numpy as npimport randomimport cv2import os

初始化参数

EPOCHS = 25 #学习的步数INIT_LR = 1e-3# 学习效率BS = 32# 每步学习的个数data = []# 存放图片数据labels = []# 存放图片标签imagePaths = sorted(list(paths.list_images("dataset")))# 遍历所有的图片random.seed(42)random.shuffle(imagePaths) # 打乱图片顺序

初始化参数完成后，需要把所有的图片加载，进行图片数据的整理

for imagePath in imagePaths: # 加载图片 image = cv2.imread(imagePath) image = cv2.resize(image, (28, 28)) # resize 到28*28 LeNet所需的空间尺寸 image = img_to_array(image) # 图片转换成array data.append(image) # 保存图片数据 label = imagePath.split(os.path.sep)[-2] #获取图片标签 label = 1 if label == "snowman" else 0 labels.append(label) # 获取图片标签

预先处理图片

# 把图片数据变成【0.1】data = np.array(data, dtype="float") / 255.0labels = np.array(labels)# 设置测试数据与训练数据#使用75％的数据将数据划分为训练和测试#用于训练的数据，其余25％用于测试(trainX, testX, trainY, testY) = train_test_split(data, labels, test_size=0.25, random_state=42)# 标签转换成向量trainY = to_categorical(trainY, num_classes=2)testY = to_categorical(testY, num_classes=2)# 创建一个图像生成器对象，该对象在图像数据集上执行随机旋转，平移，翻转，修剪和剪切。#这使我们可以使用较小的数据集，但仍然可以获得较高的结果aug = ImageDataGenerator(rotation_range=30, width_shift_range=0.1,height_shift_range=0.1, shear_range=0.2, zoom_range=0.2,horizontal_flip=True, fill_mode="nearest")

建立神经网络，进行神经网络训练

#建立modelmodel = LeNet.build(width=28, height=28, depth=3, classes=2)opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)pile(loss="binary_crossentropy", optimizer=opt, metrics=["accuracy"])# 训练神经网络H = model.fit_generator(aug.flow(trainX, trainY, batch_size=BS), validation_data=(testX, testY), steps_per_epoch=len(trainX) // BS, epochs=EPOCHS, verbose=1)

神经网络训练完成后，对神经网络训练的结果进行保存，以便后期使用预训练模型进行图片识别

保存模型，显示训练结果

model.save("lenet.model") # 保存模型# 显示结果plt.style.use("ggplot")plt.figure()N = EPOCHSplt.plot(np.arange(0, N), H.history["loss"], label="train_loss")plt.plot(np.arange(0, N), H.history["val_loss"], label="val_loss")plt.plot(np.arange(0, N), H.history["acc"], label="train_acc")plt.plot(np.arange(0, N), H.history["val_acc"], label="val_acc")plt.title("Training Loss and Accuracy on snowman/Notsnowman")plt.xlabel("Epoch #")plt.ylabel("Loss/Accuracy")plt.legend(loc="lower left")plt.savefig("plot1.JPG")

从训练结果可以看出，loss越来越小，精度越来越高，表明我们的神经网络模型是完全ok。

若想得到更好的训练数据，当然是使用大量的数据进行训练

以上便是我们训练的神经网络模型，下期我们使用预训练模型，对图片进行识别