一个小例子带你轻松Keras图像分类入门

云栖君导读： 本文通过一个具体的小例子带你入门Keras图像分类，希望各位能够通过这篇文章能够学习到一些图像分类的基本操作。

这篇文章主要介绍一些在Keras中需要的常见操作。这些常见操作包括：如何保存模型并在稍后使用它们进行预测，显示数据集中的图像以及从系统中加载图像并预测其类别。

训练模型是一个循序渐进的过程，十分缓慢。但是，在这里，我们需要训练我们的模型一次，然后保存，这样我们就可以随时加载，并用它来预测新的图像。Keras将模型保存为.h5格式，如果你在作者发布的第一个教程中已经安装过h5py，请跳过，如果没有，请运行：

我们还需要matplotlib来形象化我们的图像，因此，运行：

这是第一个小例子的代码：

想保存模型，需要在model.fit（）之后添加：

推理是指使用我们的模型预测新图像的过程。在你的代码中，注释上：model.fit

用以替换以下的内容：model.load_weights("mnistmodel.h5")

我们的代码现在看起来像这样：

我们在这里所做的是从保存的模型文件中加载出模型的参数，评估函数在测试数据集上运行预测，并给出预测的准确性。

截止到目前，以上演示了如何保存模型并使用它们进行预测。真正需要解决的问题是加载出一个特定的图像，并确定它是属于什么类型的。

第一步是添加下面的代码来获得测试中的特定图像的预测：

在这里，我们只是选择一个随机图像，在这种情况下，在测试集的索引130处，我们创建一个平整的副本，重新整形：(1,784)。

我们将这个副本加入到我们的模型中，然后我们获得预测并打印出来。

在代码中注释掉model.evaluate，添加上面的代码并运行它。

你将会输出  class ：6

现在我们已经预测了，接下来我们就需要使用matplolib来显示图像及其预测的类型：

这些操作是非常必要的，因为使用matplotlib将会非常直观的显示我们的预测结果是否正确。

这样我们的代码就会变成：

运行这段代码，你的输出应该是下面这张图片，这意味着我们已经建立了一个基本的数字识别系统，你也可以尝试不同的测试图像索引，看看将得到些什么。

但是，如果想引入测试集中没有的图像，那么你需要将以下图像保存到你的系统中，并将其复制到python文件所在的目录中。

运行下面的代码：

你可能会注意到我们使用了一些新的东西，首先我们从Keras.preprocessing中导入了图像，然后加了：

在第一行中，我们从磁盘加载图像，并指定它应该调整大小为28*28*1，请记住，这是原始mnist图像的尺寸，它的作用是让我们保持图像识别过程中的稳定。接下来，我们将图像转换为一个像素数组，这才是我们真正要识别的。运行它并自己检查结果，预测其结果是否是3。

-END-

云栖社区

ID：yunqiinsight

云计算丨互联网架构丨大数据丨机器学习丨运维

点此阅读详细内容！