Keras 预测中缺少类标签

Question

我正在尝试使用 Keras 解决猫与狗的问题。这是我正在使用的模型。

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
from keras import regularizers
from keras.utils import plot_model

img_width, img_height = 150, 150
train_data_dir = 'kateVSdoge/train'
validation_data_dir = 'kateVSdoge/validation'
nb_train_samples = 2000
nb_validation_samples = 800
epochs = 50
batch_size = 16
if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1,kernel_regularizer=regularizers.l2(0.01),
                activity_regularizer=regularizers.l1(0.01)))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])


train_datagen = ImageDataGenerator(
                rescale=1. / 255,
                shear_range=0.2,
                zoom_range=0.2,
                horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
                    train_data_dir,
                    target_size=(img_width, img_height),
                    batch_size=batch_size,
                    class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
                        validation_data_dir,
                        target_size=(img_width, img_height),
                        batch_size=batch_size,
                        class_mode='binary',
                        )
xm=model.fit_generator(
                    train_generator,
                    steps_per_epoch=nb_train_samples // batch_size,
                    epochs=epochs,
                    validation_data=validation_generator,
                    validation_steps=nb_validation_samples // batch_size)

model.save_weights('first_try3.h5')
model_json=model.to_json()
with open("model3.json","w+") as json_file:
    json_file.write(model_json)
plot_model(model,to_file="model.jpeg")

模型最终训练好的准确率为 0.79-0.80。但是，当我尝试在预测器脚本中加载模型并使用 model.predict_generator() 进行预测时，我似乎做错了什么，因为我无法在预测中获得类名。我试过 .predict() 和 .predict_proba() 都没有成功。

这是预测器脚本：

from keras.models import Sequential, model_from_json
from keras.preprocessing import image
from keras.preprocessing.image import ImageDataGenerator
import numpy as np


p_model = Sequential();
jsonfile = open('model3.json','r')
model_json = jsonfile.read()
p_model = model_from_json(model_json)
p_model.load_weights('first_try3.h5')
p_model.compile(loss='binary_crossentropy',
                optimizer='rmsprop',
                metrics=['accuracy'])

img = image.load_img('do.jpg', target_size=(150,150))
x=image.img_to_array(img)
x=x.reshape((1,)+x.shape)
test_datagen = ImageDataGenerator(rescale=1. /255)
m=test_datagen.flow(x,batch_size=1)


preds = p_model.predict_generator(m,1,verbose=1)
print preds

我还观察到一个有趣的事情，图像似乎没有重新缩放。 我打印出 x 和 m.x ，这两个矩阵似乎相等，并且值不会转换为介于 0 和 1 之间。

这里分别是猫和狗的图片的输出。

(myenv)link@zero-VirtualBox:~/myenv/keras_app$ python predictor.py 
Using Theano backend.
1/1 [==============================] - 0s
[[ 0.29857877]]
(myenv)link@zero-VirtualBox:~/myenv/keras_app$ python predictor.py 
Using Theano backend.
1/1 [==============================] - 0s
[[ 0.77536112]]

我已使用此处提供的建议 https://stackoverflow.com/a/41833076/4159447 来引入正则化器和重新缩放。

我做错了什么？我想要的只是根据他们的分数获得猫和狗的标签。

Answer 1

唯一错误的是期望分类器中的类名。分类器不知道类名，这是一个后处理步骤，类似于：

preds = p_model.predict_generator(m,1,verbose=1)[0]

if preds > 0.5:
    output = "cat"
else:
   output = "dog"

请注意，0.5 可能不是最佳阈值，您也可以选择概率最大的类别（p vs 1 - p）。