如何为CNN准备多个RGB图像作为numpy数组

时间:2017-05-03 20:51:25

标签: python arrays image numpy keras

我想使用下面的代码和我自己的输入图像而不是mnist图像。但是,我很难将几个颜色的.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,其中包含几个我想用作X_train的图像。我可以为它们生成标签并对它们进行单热编码。我只是不知道如何使我的所有图像进入像X_train这样的漂亮数组。救命?我确实看了here,但是我得到了一个值错误:当我复制并粘贴汇总代码时,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)

1 个答案:

答案 0 :(得分:1)

我假设你正在使用Theano并且你的jpgs有3个乐队。此外,您的jpgs应具有与您在第一个卷积模型(28x28像素)中指示的输入形状相同的输入形状。在这种情况下,您可以使用以下行重塑所有jpes:

#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)

现在你有一个数组:(features,n_bands,x,y)

此外,您应该更改input_shape,使其支持3个波段:

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

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