olivettifaces是紐約大學的乙個比較小的人臉庫，由40個人的400張構成，即每個人的人臉為10張。每張的灰度級為8位，每個畫素的灰度大小位於0-255之間，每張大小為64×64。大小是1190*942，一共有20*20張人臉，故每張人臉大小是（1190/20）*（942/20）即57*47=2679本文所用的訓練資料就是這張，400個樣本，40個類別。
input_faces.py讀取資料集
#coding:utf-8
"""read_data_sets
"""from pil import image
import numpy as np
defread_data_sets
(dataset_path):
img = image.open(dataset_path)
#np.asarray()將轉為灰度
img_ndarray = np.asarray(img,dtype='float64')/256
#共有400張,每張大小57*47=2679
faces = np.empty((400,2679))
#將存入faces中
for row in range(20):
for column in range(20):
#第一行的第一張臉存入face0,每張臉的大小為57*47
faces[row*20+column] = np.ndarray.flatten(img_ndarray[row*57:(row+1)*57,column*47:(column+1)*47])
#將標籤存入label中,400個label標籤,40類
label = np.empty(400)
for i in range(40):
label[i*10:i*10+10] = i
label = label.astype(np.int)
#設定train320,test80
train_data = np.empty((320,2679))
train_label = np.empty(320)
test_data = np.empty((80,2679))
test_label = np.empty(80)
#將資料集存入data,label中
for i in range(40):
#前8張存入train,第9-10張存入test，依此順序存400張
train_data[i*8:i*8+8] = faces[i*10:i*10+8]
train_label[i*8:i*8+8] = label[i*10:i*10+8]
test_data[i*2:i*2+2] = faces[i*10+8:i*10+10]
test_label[i*2:i*2+2] = label[i*10+8:i*10+10]
data = [(train_data,train_label),(test_data,test_label)]
return data
#(train_data, train_label), (test_data, test_label) = read_data_sets('olivettifaces.gif')
#coding:utf-8
"""python 2.7
keras 2.04
"""import numpy as np
from keras.utils import np_utils
from keras.models import sequential
from keras.layers import dense,activation,convolution2d,maxpooling2d,flatten
from keras.optimizers import sgd
from sklearn.metrics import confusion_matrix,classification_report
import input_faces
import datetime
start_time = datetime.datetime.now()
#設定隨機種子
np.random.seed(1000)
(train_data,train_labels),(test_data,test_labels) = input_faces.read_data_sets('olivettifaces.gif')
#reshape
train_data = train_data.reshape(train_data.shape[0],1,57,47)
train_labels = np_utils.to_categorical(train_labels,nb_classes=40)
test_data = test_data.reshape(test_data.shape[0],1,57,47)
test_labels = np_utils.to_categorical(test_labels,nb_classes=40)
#構建模型
model = sequential()
#(none,1,57,47) ---> (none,5,57,47)
model.add(convolution2d(nb_filter=5,nb_row=3,nb_col=3,border_mode='same',input_shape=(1,57,47)))
#(none,5,57,47) --->(none,5,28,23)
model.add(maxpooling2d(pool_size=(2,2),border_mode='same'))
#(none,5,28,23) --->(none,10,28,23)
model.add(convolution2d(nb_filter=10,nb_row=3,nb_col=3,border_mode='same'))
#(none,10,28,23)---(none,10,14,11)
model.add(maxpooling2d(pool_size=(2,2),border_mode='same'))
model.add(flatten())
model.add(dense(1000))
model.add(activation('relu'))
model.add(dense(40))
model.add(activation('softmax'))
model.compile(optimizer=sgd(lr=0.01,decay=1e-6,momentum=0.9),loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(train_data,train_labels,nb_epoch=10,batch_size=40,shuffle=true,verbose=1)
test_score,test_accuracy = model.evaluate(test_data,test_labels)
predictions = model.predict_clases(test_data,batch_size=10)
#混淆矩陣
print(confusion_matrix(test_labels,predictions))
#report
print(classification_report(test_labels,np.array(predictions)))
#模型訓練了多久
end_time = datetime.datetime.now()
total_time = (end_time - start_time).seconds
print('total time is:',total_time)
model.fit()中有兩個引數，shuffle和validation_split，validation_split將從訓練集中抽取部分作為驗證集，shuffle用於將資料打亂。如果訓練的資料不是打亂的，當採用validation_split時可能會選取到只是正樣本或負樣本，再經過打亂後在測試集上表現會很差
卷積神經網路 Keras 由淺入深
python mathematics 卷積神經網路能夠有效的處理影象檔案，當然換一種說法就是能夠有效處理矩陣。其關鍵部分就是 卷積核 過濾器 的生成。當然還有一些其他的基礎操作。對於卷積核 卷積核的特徵 init filters,kernel size,strides 1 1 padding val...
keras卷積神經網路舉例
特徵圖深度在增加 從32到128，但尺寸在變小 from keras import layers from keras import model 輸入尺寸為150 150 3，展平後是7 7 128 model model.sequential 二維卷積核 提取的圖塊大小 一般3 3 9個特徵向量，...
Keras實現卷積神經網路
1 coding utf 8 2 3created on sun jan 20 11 25 29 201945 author zhen 6 78 import numpy as np 9from keras.datasets import mnist 10from keras.models impo...