有關藝術畫作分類的 Kaggle 比賽經驗分享

AI研習社2018-12-02 22:45:02

本文為 AI 研習社編譯的技術博客,原標題 :

Classifying Artwork Images Kaggle Competition

作者 |  Terrance Whitehurst

翻譯 |  M惠M

校對 | 醬番梨        整理 | 菠蘿妹

原文鏈接:

https://medium.com/@TerranceWhitehurst/classifying-artwork-images-kaggle-competition-8b3a98b4a341

注:本文的相關鏈接請點擊文末【閱讀原文】進行訪問



  源代碼!

https://github.com/Terrance-Whitehurst/Keras-Art-Images-Classification/blob/master/Keras%20Artwork%20Classification.ipynb 


  概述!

在這個項目中,我將使用遷移學習和深度學習框架Keras對kaggle數據集中的不同藝術作品圖像進行分類。


  你將學到什麼!

  1. 使用Keras庫進行分類任務

  2. 使用keras進行遷移學習

  3. 數據增強


  我們開始吧!

#1

首先導入所有的依賴項。


#2

加載了訓練和驗證集以及藝術圖像的類別。

還設置了一些hyper參數,以便在培訓和加載模型時使用。


#3

按類別將訓練圖像進行可視化。


#4

將來自不同類的一些圖像進行可視化。


#5

使用for循環創建訓練數據和測試數據。


#6

定義函數來加載數據集。


#7

使用keras的“ImageDataGenerator()”來增強數據。然後將訓練數據與擴充相匹配。


#8

這是最終模型。它是一個兩層網絡,有兩個密集的層和一個輸出層。在我們完成模型架構之後,我們還必須在培訓之前編譯模型。


#9

這使用數據增強創建一個生成器。接下來調用“fit_generator()”來訓練模型,並添加“history”,這樣就可以可視化之後的訓練。


#10

使用在“fit_generator()”之前調用的“history”來查看各個時代的損失和準確性。


#11

創建一個測試集來獲得預測


#12

調用“predict()”來獲得預測,然後創建一個分類報告和混淆矩陣,以查看模型做得有多好!


#13

使用“plot_model()”來獲得模型架構的圖像,我將在下面顯示。


  結論

下面是我在這個項目中使用的可視化模型


學習快樂!


想要繼續查看該篇文章相關鏈接和參考文獻?

長按鏈接點擊打開或點擊底部【閱讀原文】:

https://ai.yanxishe.com/page/TextTranslation/1283


AI研習社每日更新精彩內容,觀看更多精彩內容:

這5種計算機視覺技術,刷新你的世界觀

遷移學習:如何將預訓練CNN當成特徵提取器

新手必看:深度學習是什麼?它的工作原理是什麼?

Python高級技巧:用一行代碼減少一半內存佔用


等你來譯:

預訓練模型及其應用 

一文帶你讀懂線性分類器 

(Python)3D人臉處理工具face3d 

讓你的電腦擁有“視力”,用卷積神經網絡就可以!


https://weiwenku.net/d/109686958