用keras进行猫狗识别（二）

猫狗识别（二）"/>

用keras进行猫狗识别（二）

通过少量的训练集，我们成功训练出了模型，但是正确率只有75%左右，而且出现了过拟合的情况，出现这种情况，我们可以采用数据增强的方法。
通过数据增强，我们可以增加训练样本的数量，来解决样本不够的问题。
数据增强的作用 ：

1. 增加训练的数据量，提高模型的泛化能力
2. 增加噪声数据，提升模型的鲁棒性

如何获得大量的数据 ：
一种方法是获得新的数据，这种方法比较麻烦，需要大量的成本，而第二种方法则是对数据进行增强，即利用已有的数据比如翻转、平移或旋转，创造出更多的数据，来使得神经网络具有更好的泛化效果。

数据增强的分类 ：
数据增强可以分为两类，一类是离线增强，一类是在线增强。
离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目 ，这种方法常常用于数据集很小的时候
在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

常用的数据增强方法：
1.旋转： 可通过在原图上先放大图像，然后剪切图像得到。
2.平移：先放大图像，然后水平或垂直偏移位置剪切
3.缩放：缩放图像
4.随机遮挡：对图像进行小区域遮挡
5.水平翻转：以过图像中心的竖直轴为对称轴，将左、右两边像素交换
6.颜色色差：（饱和度、亮度、对比度、 锐度等）
7.噪声扰动: 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;

下边通过数据增强改进我们的模型：

from keras import layers
from keras import models
#设置文件目录
#训练集
trainDir ='./train/'
trainDogDir = './train/train_dog/'
trainCatDir = './train/train_cat/'
#验证集
valDir = './check/'
valDogDir = './check/check_dog/'
valCatDir = './check/check_cat/'
#测试集
testDir = './test/'
testDogDir = './test/test_dog/'
testCatDir = './test/test_cat/'#创建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(150, 150, 3)))
#卷积层，输出空间的维数为32,也可以说是输出特征图的深度为32，提取信息的窗口大小(3,3),卷积核的大小也为(3,3)
#激活函数relu,输入图片大小(150,150,3)
model.add(layers.MaxPooling2D((2, 2)))
#池化层，窗口大小为(2,2)，缩小特征图的尺寸
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dropout(rate=0.5))
#扁平层,将多维的输入转化为一维的输出
model.add(layers.Dense(512, activation='relu'))
#全连接层，将提取的特征组合，得出结果
model.add(layers.Dense(1, activation='sigmoid'))#设置损失函数，优化器，模型在训练和测试时的性能指标
from keras import optimizersmodelpile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])#配置图片生成器
from keras.preprocessing.image import ImageDataGenerator
#将图片像素缩小为[0,1]之间的浮点数
train_datagen = ImageDataGenerator(rescale=1./255,rotation_range=40,#图像随机旋转的最大角度width_shift_range=0.2,#图片在水平位置上偏移的最大百分比值height_shift_range=0.2,#数值位置上shear_range=0.2,#随机错位切换的角度zoom_range=0.2,#图片随机缩放的范围horizontal_flip=True)#随机将一半的图片进行水平翻转#验证集的数据不能增强
test_datagen = ImageDataGenerator(rescale=1./255)#创建图片生成器
train_generator = train_datagen.flow_from_directory(trainDir,#图片地址target_size=(150, 150),#将图片调整为(150,150)大小batch_size=32,#设置批量数据的大小为32class_mode='binary')#设置返回标签的类型
val_generator = test_datagen.flow_from_directory(valDir,target_size=(150, 150),batch_size=32,class_mode='binary')#拟合模型
history = model.fit_generator(train_generator,steps_per_epoch=100,#迭代进入下一轮次需要抽取的批次epochs=100,#数据迭代的轮数validation_data=val_generator,validation_steps=50)#验证集用于评估的批次#保存模型
model.save('cats_and_dogs_small_2.h5')#画出结果
import matplotlib.pyplot as plt#查看变量，发现history.history中就只有这四个值，分别是准确度，验证集准确度，损失，验证集损失
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)#画两个图，分别是正确率和损失
#正确率
plt.figure(1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.savefig('acc2.png')
plt.show()
#验证损失
plt.figure(2)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.savefig('loss2.png')
plt.show()

我们在模型中加了一个Dropout层，这个层可以帮助我们来减弱过拟合的状态。

model.add(layers.Dropout(rate=0.5))

Dropout层模型如下：

它会让一些节点失效，这样就会使模型去学习更加普遍的特征。

同时因为样本增多，我们增加迭代的次数

history = model.fit_generator(train_generator,steps_per_epoch=100,#迭代进入下一轮次需要抽取的批次epochs=100,#数据迭代的轮数validation_data=val_generator,validation_steps=50)#验证集用于评估的批次

最终训练处模型，模型的正确率和验证损失如下：


可以看出我们的正确率达到了80%
相比普通的直接训练，有很大的提高