-
Notifications
You must be signed in to change notification settings - Fork 0
/
cats_vs_dogs.py
104 lines (86 loc) · 3.28 KB
/
cats_vs_dogs.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import keras
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D, Conv2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras.models import model_from_json
#Dimension de la imagen
img_width, img_height = 150, 150
#Carpeta que almacena las imagenes
#con estas se entrenara la red
train_data_dir = 'data/train'
#carpeta con las muestras de validacion
validation_data_dir = 'data/validation'
#numero de imagenes que se concideran para la validacion
train_samples = 2000
#numero de images que se cocideran para la validacion
validation_samples = 800
#numero de veces que se ejecutara las red sobre el conjunto de entrenamiento
#antes de empezar con la validacion
epoch = 50
#***** Inicio del modelo *****
model= Sequential()
#model.add(Convolution2D(nb_filter, nb_row, nb_col, ))
# nb_filter: Number of convolution filters to use.
# nb_row: Number of rows in the convolution kernel.
# nb_col: Number of columns in the convolution kernel.
model.add(Conv2D(32, (3, 3), input_shape=(img_width, img_height, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), 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))
model.add(Activation('sigmoid'))
# ** FIn del modelo **
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# esta es la mejora de la configuración que utilizaremos para el entrenamiento
# en el que generamos un gran número de imágenes transformadas de manera que el
# modelo puede tratar con una gran variedad de escenarios del mundo real
train_datagen = ImageDataGenerator(
rescale =1./255,
shear_range =0.2,
zoom_range =0.2,
horizontal_flip =True)
# esta es la mejora de la configuración que utilizaremospara la prueba:
# sólo para reajuste
test_datagen = ImageDataGenerator(rescale=1./255)
# esta sección toma imágenes de la carpeta
# y las pasa al ImageGenerator que crea entonces
# un gran número de versiones transformadas
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=32,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=32,
class_mode='binary')
# aquí es donde se produce el proceso real
# y llevará algún tiempo ejecutar este paso.
model.fit_generator(
train_generator,
samples_per_epoch=train_samples,
nb_epoch=epoch,
validation_data=validation_generator,
nb_val_samples=validation_samples)
# for e in range(40):
# score = model.evaluate(validation_generator, verbose=0)
# print ('Test loss:', score[0])
# print ('Test accuracy:', score[1])
clssf = model.to_json()
with open("CatOrDog.json", "w") as json_file:
json_file.write(clssf)
model.save_weights('CorDweights.h5')
print("model saved to disk....")