DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)

た入场券 2022-11-20 01:56 108阅读 0赞

DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)

**目录**

利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)

设计思路

处理过程及结果呈现

基于ImageDataGenerator实现数据增强

类AlexNet代码

--------------------

**相关文章**  
[DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)][DL_AlexNet_AlexNet_h5]  
[DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)实现][DL_AlexNet_AlexNet_h5 1]

# 利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) #

## 设计思路 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70][]

## 处理过程及结果呈现 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 1][]

Found 17500 images belonging to 2 classes.  
Found 7500 images belonging to 2 classes.

_________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    input_1 (InputLayer)         (None, 150, 150, 3)       0         
    _________________________________________________________________
    conv2d_1 (Conv2D)            (None, 148, 148, 64)      1792      
    _________________________________________________________________
    batch_normalization_1 (Batch (None, 148, 148, 64)      256       
    _________________________________________________________________
    activation_1 (Activation)    (None, 148, 148, 64)      0         
    _________________________________________________________________
    max_pooling2d_1 (MaxPooling2 (None, 74, 74, 64)        0         
    _________________________________________________________________
    conv2d_2 (Conv2D)            (None, 72, 72, 64)        36928     
    _________________________________________________________________
    batch_normalization_2 (Batch (None, 72, 72, 64)        256       
    _________________________________________________________________
    activation_2 (Activation)    (None, 72, 72, 64)        0         
    _________________________________________________________________
    max_pooling2d_2 (MaxPooling2 (None, 36, 36, 64)        0         
    _________________________________________________________________
    conv2d_3 (Conv2D)            (None, 34, 34, 128)       73856     
    _________________________________________________________________
    batch_normalization_3 (Batch (None, 34, 34, 128)       512       
    _________________________________________________________________
    activation_3 (Activation)    (None, 34, 34, 128)       0         
    _________________________________________________________________
    max_pooling2d_3 (MaxPooling2 (None, 17, 17, 128)       0         
    _________________________________________________________________
    conv2d_4 (Conv2D)            (None, 15, 15, 128)       147584    
    _________________________________________________________________
    batch_normalization_4 (Batch (None, 15, 15, 128)       512       
    _________________________________________________________________
    activation_4 (Activation)    (None, 15, 15, 128)       0         
    _________________________________________________________________
    max_pooling2d_4 (MaxPooling2 (None, 7, 7, 128)         0         
    _________________________________________________________________
    flatten_1 (Flatten)          (None, 6272)              0         
    _________________________________________________________________
    dense_1 (Dense)              (None, 64)                401472    
    _________________________________________________________________
    batch_normalization_5 (Batch (None, 64)                256       
    _________________________________________________________________
    activation_5 (Activation)    (None, 64)                0         
    _________________________________________________________________
    dropout_1 (Dropout)          (None, 64)                0         
    _________________________________________________________________
    dense_2 (Dense)              (None, 1)                 65        
    _________________________________________________________________
    activation_6 (Activation)    (None, 1)                 0         
    =================================================================
    Total params: 663,489
    Trainable params: 662,593
    Non-trainable params: 896
    _________________________________________________________________
    None
    Epoch 1/10
     - 837s - loss: 0.8109 - binary_accuracy: 0.5731 - val_loss: 0.7552 - val_binary_accuracy: 0.6275
    Epoch 2/10
     - 972s - loss: 0.6892 - binary_accuracy: 0.6184 - val_loss: 0.6323 - val_binary_accuracy: 0.6538
    Epoch 3/10
     - 888s - loss: 0.6773 - binary_accuracy: 0.6275 - val_loss: 0.6702 - val_binary_accuracy: 0.6475
    Epoch 4/10
     - 827s - loss: 0.6503 - binary_accuracy: 0.6522 - val_loss: 1.4757 - val_binary_accuracy: 0.5437
    Epoch 5/10
     - 775s - loss: 0.6024 - binary_accuracy: 0.6749 - val_loss: 0.5872 - val_binary_accuracy: 0.6975
    Epoch 6/10
     - 775s - loss: 0.5855 - binary_accuracy: 0.6935 - val_loss: 1.6343 - val_binary_accuracy: 0.5075
    Epoch 7/10
     - 781s - loss: 0.5725 - binary_accuracy: 0.7117 - val_loss: 1.0417 - val_binary_accuracy: 0.5850
    Epoch 8/10
     - 770s - loss: 0.5594 - binary_accuracy: 0.7268 - val_loss: 0.6793 - val_binary_accuracy: 0.6150
    Epoch 9/10
     - 774s - loss: 0.5619 - binary_accuracy: 0.7239 - val_loss: 0.7271 - val_binary_accuracy: 0.5737
    Epoch 10/10
     - 772s - loss: 0.5206 - binary_accuracy: 0.7485 - val_loss: 1.2269 - val_binary_accuracy: 0.5564
    train_history.history {'val_loss': [0.7552271389961243, 0.6323019933700561, 0.6702361726760864, 1.4756725096702576, 0.5872411811351776, 1.6343200182914734, 1.0417238283157348, 0.679338448047638, 0.7270535206794739, 1.2268943945566813], 'val_binary_accuracy': [0.6275, 0.65375, 0.6475, 0.54375, 0.6975, 0.5075, 0.585, 0.615, 0.57375, 0.5564102564102564], 'loss': [0.8109277236846185, 0.6891729639422509, 0.6772915293132106, 0.6502932430275025, 0.6023876513204267, 0.5855168705025027, 0.5725259766463311, 0.5594036031153894, 0.561434359863551, 0.5205760602989504], 'binary_accuracy': [0.5730846774193549, 0.6184475806451613, 0.6275201612903226, 0.6522177419354839, 0.6748991935483871, 0.6935483870967742, 0.7116935483870968, 0.7268145161290323, 0.7242424240015974, 0.7484879032258065]}

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 3][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 4][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 5][]

## 基于ImageDataGenerator实现数据增强 ##

扩充数据集大小，增强模型的泛化能力。比如进行旋转、变形、归一化等。

*  扩充数据量：对图像作简单的预处理（如缩放，改变像素值范围）；  
    随机打乱图像顺序，并且在图像集上无限循环（不会出现数据用完的情况）；  
    对图像加入扰动，大大增大数据量，避免多次输入相同的训练图像产生过拟合。
 *  优化训练效率：训练神经网络时经常需要将数据分成小的批次（例如每16张图像作为一个batch提供给神经网络），在ImageDataGenerator中，只需要简单提供一个参数 batch\_size = 16。

## 类AlexNet代码 ##

n_channels = 3 
    input_shape = (*image_size, n_channels)
    input_layer = Input(input_shape)
    z = input_layer
    z = Conv2D(64, (3, 3))(z)
    z = BatchNormalization()(z)
    z = Activation('relu')(z)
    z = MaxPooling2D(pool_size=(2, 2))(z)
    
    z = Conv2D(64, (3, 3))(z)
    z = BatchNormalization()(z)
    z = Activation('relu')(z)
    z = MaxPooling2D(pool_size=(2, 2))(z)
    
    z = Conv2D(128, (3, 3))(z)
    z = BatchNormalization()(z)
    z = Activation('relu')(z)
    z = MaxPooling2D(pool_size=(2, 2))(z)
    
    z = Conv2D(128, (3, 3))(z)
    z = BatchNormalization()(z)
    z = Activation('relu')(z)
    z = MaxPooling2D(pool_size=(2, 2))(z)
    
    z = Flatten()(z) # 将特征变成一维向量
    z = Dense(64)(z)
    z = BatchNormalization()(z)
    z = Activation('relu')(z)
    z = Dropout(0.5)(z)
    z = Dense(1)(z)
    z = Activation('sigmoid')(z)

[DL_AlexNet_AlexNet_h5]: https://yunyaniu.blog.csdn.net/article/details/109913378
[DL_AlexNet_AlexNet_h5 1]: https://yunyaniu.blog.csdn.net/article/details/109924750
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70]: /images/20221120/45f3b6f118354300b56b3fd81d68ca92.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 1]: /images/20221120/d939e587367a442795bd3f80127534c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20201122085924491.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20201122090035101.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20201122090435264.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/2020112209012047.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4,size_16,color_FFFFFF,t_70

发表评论取消回复

表情：

评论列表（有 0 条评论，108人围观）

还没有评论，来说两句吧...

相关阅读

相关 Python实现卷积神经网络LeNet-5和AlexNet训练与识别

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88284348 [资源下载地址][Link

╰+哭是因爲堅強的太久メ/ 2024年03月26日 22:30/ 0 赞/ 3 阅读

相关卷积神经网络之(深度卷积神经网络)AlexNet

卷积神经网络之AlexNet 2012年AlexNet横空出世，赢得了ImageNet2012图像识别挑战赛。首次证明了学习到的特征可以超越手工设计的特征。 Alex

绝地灬酷狼/ 2022年12月25日 13:52/ 0 赞/ 149 阅读

相关 DL之VGG16：基于VGG16迁移技术实现猫狗分类识别(图片数据量调整→保存h5模型)

DL之VGG16：基于VGG16迁移技术实现猫狗分类识别(图片数据量调整→保存h5模型) 目录基于VGG16迁移技术实现猫狗分类识别(图片数

女爷i/ 2022年12月23日 03:29/ 0 赞/ 328 阅读

相关 DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)

DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) 目录利用卷积神经网络类AlexNet实现猫狗

た入场券/ 2022年11月20日 01:56/ 0 赞/ 109 阅读

相关基于Pytorch再次解析AlexNet现代卷积神经网络

个人简介：CSDN百万访问量博主，普普通通男大学生，深度学习算法、医学图像处理专攻，偶尔也搞全栈开发，没事就写文章，you feel me？博客地址：[lixiang.b

梦里梦外;/ 2022年09月04日 13:43/ 0 赞/ 156 阅读

相关 [Intensive Reading]从AlexNet理解卷积神经网络的一般结构

2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者

叁歲伎倆/ 2022年06月15日 12:17/ 0 赞/ 104 阅读

相关【DL项目】基于卷积神经网络实现人脸表情识别

更新时间：2018-07-05 前言项目是好久之前做的，现在可能类似的demo也有很多了，已知忘记发博客和上传GitHub了，刚传上去，地址：[https://

亦凉/ 2022年05月21日 12:08/ 0 赞/ 156 阅读

相关【卷积神经网络发展历程】从LeNet、AlexNet到ResNet、SENet

经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等手工设计的特征盖过。随着ReLU和dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年

我就是我/ 2022年05月21日 05:37/ 0 赞/ 595 阅读

相关 AlexNet-基于keras训练猫狗分类

什么是AlexNet模型 ![在这里插入图片描述][20210326193455111.png] ![在这里插入图片描述][20210326193502158.png

以你之姓@/ 2021年11月17日 22:46/ 0 赞/ 499 阅读

相关卷积神经网络之AlexNet取得成功的原因

使用了如下方法： 1、防止过拟合：Dropout、数据增强数据增强：增加训练数据量是避免过拟合的好方法，并且能提升算法的准确率。但是当训练数据量有限时，可以通过一些变

港控/mmm°/ 2021年10月16日 00:24/ 0 赞/ 259 阅读