一、简介

本文旨在通过一些简单的案例，学习如何通过keras搭建CNN。从数据读取，数据处理，神经网络搭建，模型训练等。本文也是参考其他博主的文章基础上做了些小修改学习的，感谢其他博主的分享。
具体的CNN的原理，以及keras的原理，这里就不啰嗦了。最后会提供一些参考博客，供大家学习。完整的代码的github地址:traffic

二、流程

1.数据处理

数据路径

#!/usr/bin/env python
# encoding: utf-8
from keras.preprocessing.image import img_to_array#图片转为array
from keras.utils import to_categorical#相当于one-hot
from imutils import paths
import cv2
import numpy as np
import random
import os

def load_data(path,norm_size,class_num):
    data = []#数据x
    label = []#标签y
    image_paths = sorted(list(paths.list_images(path)))#imutils模块中paths可以读取所有文件路径
    random.seed(0)#保证每次数据顺序一致
    random.shuffle(image_paths)#将所有的文件路径打乱
    for each_path in image_paths:
        image = cv2.imread(each_path)#读取文件
        image = cv2.resize(image,(norm_size,norm_size))#统一图片尺寸
        image = img_to_array(image)
        data.append(image)
        maker = int(each_path.split(os.path.sep)[-2])#sep切分文件目录，标签类别为文件夹名称的变化，从0-61.如train文件下00014，label=14
        label.append(maker)
    data = np.array(data,dtype="float")/255.0#归一化
    label = np.array(label)
    label = to_categorical(label,num_classes=class_num)#one-hot
    return data,label

上面是数据目录，下面是对应的数据处理代码。主要分为几个部分：

利用imutils模块的paths将train或test中的所有图片文件的路径找出来image_paths。
对其中每张图片，做如下操作，利用cv2读取图片和修改图片尺寸（图片尺寸不一，要统一尺寸）。
依次将图片和对应的标签，保存到对应的列表中
图片进行归一化操作，标签进行one-hot

2.神经网络搭建

这里搭建的网络是经典的LeNet网络，从input>conv>pool>conv>pool>Dense>Dense(softmax)。具体LeNet的学习，请见参考。这里是利用keras搭建的LeNet，keras的顺序模型（另外一种为函数式API）。

#!/usr/bin/env python
# encoding: utf-8
import keras
from keras.layers import Conv2D, MaxPooling2D, Dropout, Dense, Flatten
from keras.models import Sequential
import keras.backend as K

class Lenet:#经典网络，不懂去查

    def neural(channel,height,width,classes):
        input_shape = (channel,height,width)
        if K.image_data_format() == "channels_last":#确认输入维度,就是channel是在开头，还是结尾
            input_shape = (height,width,channel)
        model = Sequential()#顺序模型（keras中包括顺序模型和函数式API两种方式）
        model.add(Conv2D(20,(5,5),padding="same",activation="relu",input_shape=input_shape,name="conv1"))
        model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2),name="pool1"))
        model.add(Conv2D(50,(5,5),padding="same",activation="relu",name="conv2",))
        model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2),name="pool2"))
        model.add(Flatten())
        model.add(Dense(500,activation="relu",name="fc1"))
        model.add(Dense(classes,activation="softmax",name="fc2"))
        return model

具体参数，其中卷积层卷积核一般不超过5，步长一般为1。池化层一般大小和步长都为2。

3.训练

#!/usr/bin/env python
# encoding: utf-8
import matplotlib.pylab as plt
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator
import numpy as np
import sys
sys.path.append("../process")#添加其他文件夹
import data_input#导入其他模块
from traffic_network import Lenet

def train(aug, model,train_x,train_y,test_x,test_y):

    model.compile(loss="categorical_crossentropy",
                  optimizer="Adam",metrics=["accuracy"])#配置
    #model.fit(train_x,train_y,batch_size,epochs,validation_data=(test_x,test_y))
    _history = model.fit_generator(aug.flow(train_x,train_y,batch_size=batch_size),
                        validation_data=(test_x,test_y),steps_per_epoch=len(train_x)//batch_size,
                        epochs=epochs,verbose=1)
    #拟合，具体fit_generator请查阅其他文档,steps_per_epoch是每次迭代，需要迭代多少个batch_size，validation_data为test数据，直接做验证，不参与训练

    plt.style.use("ggplot")#matplotlib的美化样式
    plt.figure()
    N = epochs
    plt.plot(np.arange(0,N),_history.history["loss"],label ="train_loss")#model的history有四个属性，loss,val_loss,acc,val_acc
    plt.plot(np.arange(0,N),_history.history["val_loss"],label="val_loss")
    plt.plot(np.arange(0,N),_history.history["acc"],label="train_acc")
    plt.plot(np.arange(0,N),_history.history["val_acc"],label="val_acc")
    plt.title("loss and accuracy")
    plt.xlabel("epoch")
    plt.ylabel("loss/acc")
    plt.legend(loc="best")
    plt.savefig("../result/result.png")
    plt.show()

if __name__ =="__main__":
    channel = 3
    height = 32
    width = 32
    class_num = 62
    norm_size = 32#参数
    batch_size = 32
    epochs = 40
    model = Lenet.neural(channel=channel, height=height,
                         width=width, classes=class_num)#网络
    train_x, train_y = data_input.load_data("../data/train", norm_size, class_num)
    test_x, test_y = data_input.load_data("../data/test", norm_size, class_num)#生成数据

    aug = ImageDataGenerator(rotation_range=30,width_shift_range=0.1,
                       height_shift_range=0.1,shear_range=0.2,zoom_range=0.2,
                       horizontal_flip=True,fill_mode="nearest")#数据增强，生成迭代器

    train(aug,model,train_x,train_y,test_x,test_y)#训练

这部分就是网络的训练了，主要注意keras中model输出的事history，有四个属性可以查看。另外就是ImageDataGenerator数据增强，具体请查阅其他问下。

结果

准确率在94%，跟原博客预测准确率一样。

三、参考

代码的github地址:traffic
原博客文章：
【Keras】从两个实际任务掌握图像分类
先附上一些讲解比较好的CNN文章：
零基础入门深度学习(4) - 卷积神经网络
 keras中文文档这里面内容非常好，关于sequence,utils,fit_generator,ImageDataGenerator等等内容都有，推荐浏览。
从神经网络到卷积神经网络（CNN）
在Kaggle猫狗大战冲到Top2%
imutols.path.list_image

利用keras搭建CNN完成图片分类