如何为 CNN 准备多个 RGB 图像作为 numpy 数组答案

【问题标题】：How to prepare multiple RGB images as numpy array for CNN如何为 CNN 准备多个 RGB 图像作为 numpy 数组
【发布时间】：2017-10-01 20:39:27
【问题描述】：

我想将下面的代码与我自己的输入图像一起使用，而不是使用 mnist 图像。但是，我很难将几个彩色 .jpg 图像输入到类似于下面代码中使用的 X_train 的 numpy 数组中。我有一个名为 data 的文件夹和另一个名为 train 的文件夹，其中包含几张我想用作 X_train 的图像。我可以为它们生成标签并对它们进行一次性编码。我只是不知道如何让我所有的图像进入一个像 X_train 这样的漂亮数组。帮助？我确实看过here，但是当我刚刚复制并粘贴汇总代码时，我得到了一个值错误：设置一个带有序列的数组元素。

import numpy as np
np.random.seed(123)  # for reproducibility

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils
from keras.datasets import mnist

# 4. Load pre-shuffled MNIST data into train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 5. Preprocess input data
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# 6. Preprocess class labels
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)

# 7. Define model architecture
model = Sequential()

model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))
model.add(Convolution2D(32, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

# 8. Compile model
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

# 9. Fit model on training data
model.fit(X_train, Y_train, 
          batch_size=32, nb_epoch=10, verbose=1)

# 10. Evaluate model on test data
score = model.evaluate(X_test, Y_test, verbose=0)

【问题讨论】：

标签： python arrays image numpy keras

【解决方案1】：

我假设您正在使用 Theano，并且您的 jpg 有 3 个波段。此外，您的 jpg 应具有与您在第一个卷积模型中指定的输入形状（28x28 像素）相同的输入形状。在这种情况下，您可以使用以下几行重塑所有 jpe：

#create random data
no_of_jpgs = 10
jpgs = [np.random.randint(0,255,(28,28,3)) for i in range(no_of_jpgs)]
jpgs = np.array(jpgs)

#reshape data
jpgs.reshape(no_of_jpgs, jpgs.shape[1], jpgs.shape[2], 3)

现在你有了一个数组：(features, n_bands, x, y)

此外，您应该更改您的 input_shape 以使其支持 3 个波段：

model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(3, 28,28)))

如果您有不同形状或更多波段的 jpg，只需更改第一个卷积层中的 input_shape 值。

【讨论】：