python使用AI实现识别暹罗与英短

1、先来上两张图看看那种猫是暹罗？那种猫是英短?第一张暹罗第二张英短此电脑 办公(H:) image名卷修改日期大小test2018/1/23 16:48文件夫train2018/1/23 21:40文件夹test的文件：（x指暹罗，y指英短，这样命名是为了代码里给测试图片区分猫 咪类型）y5y6x1x2x3x4x5y1y2y3y5y6test_data label = test_data path .apply(lambda path:/xianluo, if x in path else yingduan)第一次结果如下:Iteration | Passes | Step size | Ela

2、psed Time | Training-accuracy | Validation-accuracy |丁1 11| 7r| 0.000074| 0.1419121| 0.589286| 0.500000| 2| 10| 5.000000| 0.279866| 0.946429| 0.875000| 3| 11| 5.000000| 0.322158| 0.937500| 0.750000| 4| 13| 1.000000| 0.382155| 0.955357| 0.750000| 5| 14| 1.000000| 0.4145471 0.928571I 0.750000| 6 | 151

3、| 1.0000001| 0.4685521| 0.955357| 0.750000|t-1-TERMINATED： Iteration limit reached.This model may not be optimal. To improve it, consider increasing max_iterations .In 43 ： predictions = model, predict(test_data)In 44 ： metrics = model, evaluate(test_data) print (me tri cs accuracy)0.5hI IterationHI

4、 Passes-1I Step sizeH111-1 Elapsed Time | Training-accuracy | Validation-accuracy | 1| 7I 0.000074| 0.141912I 0.589286| 0.500000| 2I 10| 5.000000| 0.279866| 0.946429| 0.875000| 3| 11| 5.000000I 0.322158| 0.937500| 0.750000| 4I 13I 1.000000I 0.382155I 0.955357| 0.750000| 5| 14| 1.000000I 0.4145471 0.

5、928571I 0.750000| 6 4| 15H| 1.000000HI 0.468552H| 0.955357| 0.7500001 FTERMINATED： Iteration limit reached.This model may not be optimal. To improve it, consider increasing max_iterations .In 43 ： predictions = model, predict(test_data)In 44 ： metrics = model, evaluate(test_data) print (me tri cs ac

6、curacy)0.5训练精度0.955验证精度才0.75正确率才0.5。好吧,看来是学习得太少，得上三年高考五年模拟版，将暹罗和英短的图片都增加到100张。在看结果。Iteration | Passes | Step size | Elapsed Time | Training-accuracy | Validation-accuracy |1| 7I 0.000052| 0.094025I 0.740260| 1.0000002| 9I 1.000000| 0.133494| 0.740260| 1.0000003I 10I 1.000000I 0.161135I 0.967532| 1.0

7、000004I 11I 1.000000I 0.187226I 0.961039I 1.00000051 12I 1.000000I 0.213877| 0.967532I 1.0000006I 13I 1.000000I 0.244935| 0.987013I 1.000000TERMINATED： Iteration limit reached.This model may not be optimal. To improve it, consider increasing max_iterations .In 79 ： predictions = model, predict(test_

8、data)In 80： metrics = model, evaluate(test_data) print (metricsf accuracy )Iteration | Passes | Step size | Elapsed Time | Training-accuracy | Validation-accuracy |1| 7I 0.000052| 0.094025I 0.740260| 1.0000002| 9I 1.000000| 0.133494| 0.740260| 1.0000003I 10I 1.000000I 0.161135I 0.967532| 1.0000004I

9、11I 1.000000I 0.187226I 0.961039I 1.00000051 12I 1.000000I 0.213877| 0.967532I 1.0000006I 13I 1.000000I 0.244935| 0.987013I 1.000000TERMINATED： Iteration limit reached.This model may not be optimal. To improve it, consider increasing max_iterations .In 79 ： predictions = model, predict(test_data)In

10、80： metrics = model, evaluate(test_data) print (metricsf accuracy )这次训练精度就到达0.987 了，验证精度1.0 ,正确率1.0牛逼了。看下turicreate识别的结果：In 79: predictions = model.predict(test_data)In 80: metrics = model, evaluate(test_data) print (metrics * accuracy)1.0In 81 ： predictionsOut81： dtype： strRows： 10L xisuluo , yingd

11、u3n ) yingcK13rl ) yingdu3n ) xi3nliuo , xi3nJLuo xionluo , yingdu3n , yingdudn , xidnluo JIn 79: predictions = model, predict(test_data)In 80: metrics = model, evaluate(test_data) print (metrics accuracy)1.081: predictionsOut81dtype： strRows： 10L xisuluo , yingdu3n ) yingdv13rl ) yingdusn ) xz3nluo

12、 , xi3nluo xionluo , yingdu3n , yingdudn , xidnluo J我们实际图片上猫是：（红色为真实的猫的类型-在代码里根据图片名称标记的，绿色为识别出来的猫的类型）Rows: 10U xianluo, yingduan, yingduan), yingduan, xianluo), xianluo, xianluo, yingduan, yingduan, xianluo)Rows: 10U xianluo, yingduan, yingduan), yingduan, xianluo), xianluo, xianluo, yingduan, yingd

13、uan, xianluo)In 82 ： test_dataJ label,h 821： dtype： strRows： 10 xianluo, yingduan5 yingduan, yingduan5, xianluo, xianluo, xianluo, yingduan, yingduan, xianluo5In 80：In 81：Out 81:dtype： strRows： 10 xianluo1 yingduan5, yingduan5, yingduan, xianluo, xianluo, xianluo5, yingduan, yingduan xianluo5 In 82

14、： test_data labeli；： 82 : dtype： stiRows： 10 xianluo1, yingduan5, yingduan, yingduan, xianluo, xianluo, xianluo, yingduan5, yingduan, xianluo5 可以看到两者是一致的。牛逼了训练数据才两百张图片，就可以到达这种效 果。 你以后是不是可以识别了暹罗和英短了 ？大概能，好像又不能。这是因为素材 太少了，我们看这两张图能分别提取出来短特征太少了。那如果我们暹罗短放 100张图，英短放100张图给大家参考，再给一张暹罗或者英短短照片是不是 就能识别出来是那种猫了，

15、即使不能完全认出来，是不是也有90%可能是可以 猜猜对。那么如果提供500张暹罗500张英短短图片呢，是不是猜对的概率可 以更高？我们是怎么识别暹罗和英短的呢？当然是先归纳两种猫的特征如面部颜色分 布、眼睛的颜色等等，当再有一张要识别短图片时，我们就看看面部颜色分 布、眼睛颜色是不是可暹罗的特征一致。同样把识别暹罗和英短的方法教给计算机后，是不是计算机也可以识别这两种 猫？那么计算机是怎么识别图像的呢？先来看一下计算机是怎么存储图像的。图像在计算机里是一堆按顺序排列的数字，1到255 ,这是一个只有黑白色的图，但是颜色千变万化离不开三原色红绿蓝。width这样,一张图片在计算机里就是一个长方体

16、！ depth为3的长方体。每一层都 是1到255的数字。让计算机识别图片，就要先让计算机了解它要识别短图片有那些特征。提取图 片中的特征就是识别图片要做的主要工作。下面就该主角出场了，卷及神经网 络(Convolutional Neural Network, CNN).最简单的卷积神经网络就长下面的样子。InputLayerConvolutionalLayerPooling Fully Connected OutputLayerLayerLayerConvolutionalConvolutionalInputLayerLayer Layer LayerPooling Fully Connec

17、ted Output分为输入、卷积层、池化层（采样层）、全连接和输出。每一层都将最重要的识 别信息进行压缩，并传导至下一层。卷积层：帮助提取特征，越深（层数多）的卷积神经网络会提取越具体的特征， 越浅的网络提取越浅显的特征。池化层：减少图片的分辨率，减少特征映射。全连接：扁平化图片特征，将图 片当成数组，并将像素值当作预测图像中数值的特征。卷积层卷积层从图片中提取特征，图片在计算机中就上按我们上面说的格式 存储的（长方体），先取一层提取特征，怎么提取？使用卷积核（权值）。做 如下短操作：185451239244188551217578958835242041131092213154104235

18、25130152532251597823368851802142450INPUT IMAGEWEIGHT观察左右两个矩阵，矩阵大小从6x6变成了 4x4，但数字的大小分布好像还是一致的。看下真实图片：Original ImageOriginal Image图片好像变模糊了，但这两个图片大小没变是怎么回事呢？其实是用了如下的方式:same padding000000000185451239244188005512175789588003524204113109221003154104235251300015253225159782330068851802142450000000000WEIGHT

19、叵在6x6的矩阵周围加了一圈0 ,再做卷积的时候得到的还是一个6x6的矩阵，为什么加一圈0这个和卷积核大小、步长和边界有关。自己算吧。上面是在一个6x6的矩阵上使用3X3的矩阵做的演示。在真实的图片上做卷积是什么样的呢？如下列图：28rn叩 slaked对一个32x32x3的图使用10个5x5x3的filter做卷积得到一个28x28x10的激活图（激活图是卷积层的输出）.池化层减少图片的分辨率，减少特征映射。怎么减少的呢？池化在每一个纵 深维度上单独完成，因此图像的纵深保持不变。池化层的最常见形式是最大池 化。可以看到图像明显的变小了。如图：4295056868562617924126406

20、33653851751608913713657在激活图的每一层的二维矩阵上按2 x2提取最大值得到新的图。真实效果如下：650 WO ISO250Convoluted linage0 |20 IIc I20 O 080 tOO 120MAX Pooling20 O 080 tOO 120MAX Pooling00204080 tooMAX Pooling随着卷积层和池化层的增加，对应滤波器检测的特征就更加复杂。随着累积，就可以检测越来越复杂的特征。这里还有一个卷积核优化的问题，屡次训练优 化卷积核。下面使用apple的卷积神经网络框架TuriCreate实现区分暹罗和英短。冼说一下我是在win

21、lO下装的熬夜把电脑重装了不下3次，系统要有wls,不要用企业版，mac系统和ubuntu系统下安装turicreae比拟方便） 首先准备训练用图片暹罗50张，英短50长。测试用图片10张。上代码:（开发工具 anaconda , python 2.7 ）coding: utf-8ln51:import turicreate as tG!n52:train_datajath = 7m nt/h/i mage/tra i n11n 画:ktrain data = tcJmage analysis.loadJmagesCtrain datajjatK withj?ath = True)in(54：

22、:二二train dataflabel* = trainjdata,path,.apply(lambda path: xianluo if xianluo in path else yingduan)ln56:train_data!n57:1)二 二data_path = 7mnt/h/i mageAest/1Sln59:test data = tc.image_analysis.loadjmages(testjdata_path, withjjath = True)ln1601：一一一testjdataflaber = test_data path,.apply(lambda path: ,xianluo* if *x* in pathelse yingduan1)testdata后62:model = tcjmage_dassifier.create(train_dataf target=1aber)ln631： 一一predictions 三# ln64:metrics = modeLevaluate(testjdata) print(metrics,accuracy,):ln65J:predictionsln66