4·基于tensorflow的keras库介绍

• keras是基于tensorflow的一个库，我们装好了tensorflow之后只需要

sudo pip install keras

即可完成keras的安装

• 我们使用的是一个图片训练集合，包含24种类型，对集合进行预处理：

import os
from PIL import Image
import numpy as np
def load_data():
    data = np.empty((1028,200,200,3),dtype="float32")     
    #我们输入的训练数据是1028个200×200×3的图片
    label = np.empty((1028),dtype="uint8")        
    #1028维的标签，对应一个0~23的整数
    imgs = os.listdir("./bmp")          
    #os.listdir()可以读取当前文件夹目录下所有文件的名字，放到一个list中
    del imgs[0]                         
    #注意，在mac下读取时第一个文件名是'.DS_Store',将其删除
    num = len(imgs)              
    for i in range(num): #一共1028张图，注意range函数从0开始
        img = Image.open("./bmp/"+imgs[i])      #Image.open()读取图片，使用PIL下的Image
        arr = np.asarray(img,dtype="float32")   #将图片转化为一个200×200×3的张量   
        data[i,:,:,:] = arr                     #张量赋值给data[i]
        label[i] = int((imgs[i].split('.')[0]).split('_')[1])   
        #"11027_07.wav.bmp"这是图片名称的格式，从中读取标签07
        #将名称用‘.’分割成一个list，取第一个，然后再用‘_’分割取第二个，转化为整数作为标签
    return data,label

• 加载数据

data, label = load_data()   #当别的模型需要使用load_data()函数时，直接import的就行
label = np_utils.to_categorical(label, 24)
#label为0~23共24个类别，keras要求格式为binary class matrices,转化一下，直接调用keras提供的这个函数
#此时的label是1028×24维的，数字22对应[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0]

• 分离训练集和数据集

from sklearn.cross_validation import train_test_split
#用到sklearn里面的一个库
x_train,x_test,y_train,y_test=train_test_split(data,label,random_state=33,test_size=0.1)
#x对应图片矩阵，y对应label，test集合占10%

• 建立CNN模型

model = Sequential()#生成一个model，后面的操作都是在此model的基础上
model.add(Convolution2D(4 ,5, 5, border_mode='valid' ,input_shape=(200,200,3))) 
#4个卷积核，每个卷积核大小5*5。得到196×196。valid表示只卷积矩阵内部，图像会缩小
#与tensorflow不同的是，我们不需要显式的表示输入的通道数
model.add(Activation('tanh'))     #激活函数
model.add(MaxPooling2D(pool_size=(2, 2)))#池化操作，得到98×98
model.add(Convolution2D(8, 5, 5, border_mode='valid')) 
#8个卷积核，每个卷积核大小5*5。得到94×94
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))#池化操作，得到47×47
model.add(Convolution2D(16, 4, 4, border_mode='valid')) 
#16个卷积核，每个卷积核大小3*3。得到44×44
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))#池化操作，得到22×22
model.add(Convolution2D(16, 3, 3, border_mode='valid')) 
#16个卷积核，每个卷积核大小3*3。得到20×20
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))#池化操作，得到10×10
model.add(Convolution2D(32, 3, 3, border_mode='valid'))
 #16个卷积核，每个卷积核大小3*3。得到8×8
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))#池化操作，得到4×4
model.add(Flatten())              #压扁平准备全连接
model.add(Dense(512))             #标准一维全连接层。
model.add(Activation('tanh'))
#你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))
model.add(Dense(24, init='normal'))         #最后全连接到24个节点上
model.add(Activation('softmax'))            #Softmax分类，输出是24类别

• 开始训练模型

sgd = SGD(lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
#交叉熵作为损失函数，SGD作为优化器，计算准确度

• 调用fit方法，就是一个训练过程

model.fit(x_train, y_train , batch_size=50 ,nb_epoch=10 , shuffle=True, verbose=1,validation_data=(x_test, y_test))
#训练的epoch数设为10，即训练10轮，batch_size为50每轮中每次训练用50个数据
#数据经过随机打乱shuffle=True。verbose=1，训练过程中输出的信息，0、1、2三种方式都可以，无关紧要。训练时每一个epoch都输出accuracy。

• 测试另外的数据

model.evaluate(x_test, y_test)#对另外的测试数据进行测试，输出loss和accuracy