摘要：看動(dòng)畫(huà)也不忘機(jī)器學(xué)習(xí)這個(gè)項(xiàng)目在后端為上實(shí)現(xiàn)用神經(jīng)網(wǎng)絡(luò)根據(jù)動(dòng)畫(huà)片截圖對(duì)辛普森一家的成員進(jìn)行分類(lèi)，使用的是目前最復(fù)雜和艱深的神經(jīng)網(wǎng)絡(luò)之一卷積神經(jīng)網(wǎng)絡(luò)，。數(shù)據(jù)集為個(gè)辛普森家族的成員的動(dòng)畫(huà)片截圖，存放在個(gè)文件夾中，每個(gè)成員有大約張圖片。

看動(dòng)畫(huà)也不忘機(jī)器學(xué)習(xí)?( ?? ω ?? )y：

這個(gè)項(xiàng)目在Keras（后端為T(mén)ensorflow）上實(shí)現(xiàn)用神經(jīng)網(wǎng)絡(luò)根據(jù)動(dòng)畫(huà)片截圖對(duì)辛普森一家的成員進(jìn)行分類(lèi)，使用的是目前最復(fù)雜和艱深的神經(jīng)網(wǎng)絡(luò)之一：卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）。
數(shù)據(jù)集為11個(gè)辛普森家族的成員的動(dòng)畫(huà)片截圖，存放在11個(gè)文件夾中，每個(gè)成員有大約1000張圖片。
這些圖片有不一樣的尺寸，在進(jìn)過(guò)歸一化后和標(biāo)簽一起輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

由于這次圖像識(shí)別訓(xùn)練直接用的圖片，因此該程序?qū)嶋H上可以用來(lái)做很多事情（驗(yàn)證碼識(shí)別，智能交通領(lǐng)域的機(jī)器視覺(jué)，行人和車(chē)輛識(shí)別），只需更換文件夾路徑，指向新的數(shù)據(jù)集即可。

直接上代碼：

導(dǎo)入依賴(lài)庫(kù)：

from PIL import Image
import numpy as np
import os
import glob
import re
import keras
from keras.optimizers import SGD, Adam
from keras.models import Sequential
from keras.models import load_model
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras import backend as K

*定義函數(shù)：從數(shù)據(jù)集中導(dǎo)入圖片，歸一化后再轉(zhuǎn)化為特征矩陣：
每個(gè)文件夾中取前100張圖片的數(shù)據(jù)放到測(cè)試集，剩余的樣本全都作為訓(xùn)練集。*

def read_img(location):
    x_train = [] 
    y_train = [] 
    x_test = [] 
    y_test = [] 
    label_name = [] 
    dirs = os.listdir(location) 
    label = 0 
    count = 0
    for i in dirs: #loop all directory
        print(i)
        n = 0 
        label_name.append(i) #save folder name in var label_name
        x_s = 200
        y_s = 200
        for pic in glob.glob(location+""+i+"*.jpg"): 
            im = Image.open(pic) #open data
            im = im.resize((x_s, y_s), Image.ANTIALIAS)
            im = np.array(im) #store im as numpy array
            if(im.shape[0]==200 and im.shape[1]==200): 
                r = im[:,:,0]
                g = im[:,:,1]
                b = im[:,:,2]
                if(n<100): 
                    x_test.append([r,g,b]) #save in x_test
                    y_test.append([label]) #save in y_test
                else: #remaining data set as training data
                    x_train.append([r,g,b]) #save in x_train
                    y_train.append([label]) #save in y_train
                n = n + 1 
                count = count + 1 
        label = label + 1 #increment label
    print(label_name)
    print(dirs)
    return np.array(x_train),np.array(y_train),np.array(x_test),np.array(y_test)

將圖片經(jīng)過(guò)歸一化處理，變?yōu)?00p200p的尺寸：*
原圖：

歸一化的圖片：

通過(guò)定義的函數(shù)生成訓(xùn)練數(shù)據(jù)、訓(xùn)練標(biāo)簽、測(cè)試數(shù)據(jù)、測(cè)試標(biāo)簽：

path="E:JLDdesktop	he-simpsons-characters-datasetsimpsons_dataset"
img_rows = 200 #num of image height
img_cols = 200 #num of image width
num_class = 11 #num of classes/labels
x_train,y_train,x_test,y_test = read_img(path) 

輸出的結(jié)果：完成對(duì)11個(gè)文件夾的遍歷，并輸出訓(xùn)練標(biāo)簽向量和測(cè)試標(biāo)簽向量：

對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的值做線(xiàn)性變化，提高機(jī)器學(xué)習(xí)的速率，并將標(biāo)簽轉(zhuǎn)化為向量，以便用交叉熵計(jì)算loss值：

x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 3) 
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 3) 
input_shape = (img_rows, img_cols, 3)
x_train = x_train.astype("float32") 
x_test = x_test.astype("float32") 
x_train /= 255 
x_test /= 255 
y_train = keras.utils.to_categorical(y_train, num_class) 
y_test = keras.utils.to_categorical(y_test, num_class) 

輸出訓(xùn)練訓(xùn)練特征矩陣、訓(xùn)練標(biāo)簽向量、測(cè)試特征矩陣、測(cè)試標(biāo)簽向量的維度：

print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)

運(yùn)行結(jié)果：

定義CNN神經(jīng)網(wǎng)絡(luò)模型：

model = Sequential()
model.add(Conv2D(64, kernel_size=(3, 3),activation="relu",input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(32, (3, 3), activation="relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(32, (3, 3), activation="relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))

model.add(Dense(num_class, activation="softmax"))

編譯模型：用交叉熵作為損失值，隨機(jī)梯度下降作為優(yōu)化器，預(yù)測(cè)的準(zhǔn)確率用以定義模型的好壞。

model.compile(loss="categorical_crossentropy",
              optimizer=SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True),
              metrics=["accuracy"])

訓(xùn)一次模型并保存：模型一個(gè)批次處理64個(gè)樣本，迭代1次，用測(cè)試集數(shù)據(jù)做驗(yàn)證。

model.fit(x_train, y_train, batch_size=64, epochs=1, verbose=1, validation_data=(x_test, y_test))
model.save("Simpson.h5")

循環(huán)進(jìn)行模型訓(xùn)練，每一次循環(huán)迭代一次訓(xùn)練，保存并讀取模型，循環(huán)十次，這樣寫(xiě)是因?yàn)楸苊怙@存溢出導(dǎo)致之前所有訓(xùn)練結(jié)果丟失。該語(yǔ)句可重復(fù)運(yùn)行。機(jī)器學(xué)習(xí)，俗稱(chēng)“煉丹”：

for i in range(0,10):
    print("The "+str(i)+" th Iteration")
    model=load_model("Simpson.h5")
    model.fit(x_train, y_train, batch_size=64, epochs=1, verbose=1, validation_data=(x_test, y_test))
    model.save("Simpson.h5")
    K.clear_session()

運(yùn)行結(jié)果：該模型在測(cè)試集上最終達(dá)到了99.09%的準(zhǔn)確率。

若要用該模型進(jìn)行識(shí)別應(yīng)用，只需調(diào)用model.predict()函數(shù)就行。