一個小例子帶你輕鬆Keras圖像分類入門

雲棲君導讀： 本文通過一個具體的小例子帶你入門Keras圖像分類，希望各位能夠通過這篇文章能夠學習到一些圖像分類的基本操作。

這篇文章主要介紹一些在Keras中需要的常見操作。這些常見操作包括：如何保存模型並在稍後使用它們進行預測，顯示數據集中的圖像以及從系統中載入圖像並預測其類別。

訓練模型是一個循序漸進的過程，十分緩慢。但是，在這裡，我們需要訓練我們的模型一次，然後保存，這樣我們就可以隨時載入，並用它來預測新的圖像。Keras將模型保存為.h5格式，如果你在作者發布的第一個教程中已經安裝過h5py，請跳過，如果沒有，請運行：

我們還需要matplotlib來形象化我們的圖像，因此，運行：

這是第一個小例子的代碼：

想保存模型，需要在model.fit（）之後添加：

推理是指使用我們的模型預測新圖像的過程。在你的代碼中，注釋上：model.fit

用以替換以下的內容：model.load_weights("mnistmodel.h5")

我們的代碼現在看起來像這樣：

我們在這裡所做的是從保存的模型文件中載入出模型的參數，評估函數在測試數據集上運行預測，並給出預測的準確性。

截止到目前，以上演示了如何保存模型並使用它們進行預測。真正需要解決的問題是載入出一個特定的圖像，並確定它是屬於什麼類型的。

第一步是添加下面的代碼來獲得測試中的特定圖像的預測：

在這裡，我們只是選擇一個隨機圖像，在這種情況下，在測試集的索引130處，我們創建一個平整的副本，重新整形：(1,784)。

我們將這個副本加入到我們的模型中，然後我們獲得預測並列印出來。

在代碼中注釋掉model.evaluate，添加上面的代碼並運行它。

你將會輸出 class ：6

現在我們已經預測了，接下來我們就需要使用matplolib來顯示圖像及其預測的類型：

這些操作是非常必要的，因為使用matplotlib將會非常直觀的顯示我們的預測結果是否正確。

這樣我們的代碼就會變成：

運行這段代碼，你的輸出應該是下面這張圖片，這意味著我們已經建立了一個基本的數字識別系統，你也可以嘗試不同的測試圖像索引，看看將得到些什麼。

但是，如果想引入測試集中沒有的圖像，那麼你需要將以下圖像保存到你的系統中，並將其複製到python文件所在的目錄中。

運行下面的代碼：

你可能會注意到我們使用了一些新的東西，首先我們從Keras.preprocessing中導入了圖像，然後加了：

在第一行中，我們從磁碟載入圖像，並指定它應該調整大小為28*28*1，請記住，這是原始mnist圖像的尺寸，它的作用是讓我們保持圖像識別過程中的穩定。接下來，我們將圖像轉換為一個像素數組，這才是我們真正要識別的。運行它並自己檢查結果，預測其結果是否是3。

-END-

雲棲社區

ID：yunqiinsight

雲計算丨互聯網架構丨大數據丨機器學習丨運維

點此閱讀詳細內容！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！