À l'aide de Keras, comment puis-je entrer une X_train d'images (plus d'un millier d'images)?

Ma demande est d'évitement d'accidents de voiture les systèmes utilisant la Machine d'Apprentissage (Réseaux de Neurones à Convolution). Mes images sont 200x100 images JPG et la sortie est un tableau de 4 éléments: la voiture peut se déplacer à gauche, à droite, arrêter ou aller de l'avant. Donc à la sortie de laisser un élément 1 (en fonction de la bonne action qui doit être prise) et les 3 autres éléments seront 0.

Je voudrais former ma machine maintenant, afin de l'aider entrée de toute image et de décider de l'action de façon indépendante. Voici mon code:

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.optimizers import SGD

import numpy as np

model = Sequential()

model.add(Convolution2D(16, 1, 1, border_mode='valid', dim_ordering='tf', input_shape=(200, 150, 1)))
model.add(Activation('relu'))
model.add(Convolution2D(16, 1, 1))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25)) #Cannot take float values

model.add(Convolution2D(32, 1, 1, border_mode='valid'))
model.add(Activation('relu'))
model.add(Convolution2D(32, 1, 1))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
# Note: Keras does automatic shape inference.
model.add(Dense(256))
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(10))
model.add(Activation('softmax'))

model.fit(X_train, Y_train, batch_size=32, nb_epoch=1)

Comment puis-je entrer mes images (je les ai sur mon PC)? Et comment puis-je spécifier l'O-train?

Bienvenue à Débordement de Pile! Veuillez considérer le Débogage. Voir aussi un Minimum, Complètes et Vérifiables exemple et homework
Bienvenue à Débordement de Pile! Pour vous donner une bonne réponse, il pourrait nous aider si vous avez un coup d'oeil à Comment Demander si vous ne l'avez pas déjà. Il pourrait être également utile si vous pouvez fournir un un Minimum, Complètes et Vérifiables exemple.

OriginalL'auteur Zahra Sorour | 2016-11-07

  1. 9

    Ce Keras blog, La construction de l'image puissante de la classification des modèles à l'aide de très peu de données, est un excellent tutoriel pour l'apprentissage d'un modèle sur les images stockées dans des répertoires. Elle introduit également la ImageDataGenerator classe, qui a la fonction de membre de flow_from_directory référencé dans @isaac-moore réponse. flow from directory peut être utilisé pour former les sur images, où la structure de répertoire est utilisé pour déduire la valeur de Y_train.

    Les trois scripts python qui accompagnent le tutoriel blog peut être trouvé sur les liens ci-dessous:

    1. classifier_from_little_data_script_1.py
    2. classifier_from_little_data_script_2.py
    3. classifier_from_little_data_script_3.py

    (Bien sûr, ces liens sont dans l'article du blog lui-même, mais les liens ne sont pas situé au centre.) Notez que les scripts 2 et 3 s'appuient sur la sortie de la précédente. Aussi, notez que les fichiers supplémentaires devront être téléchargé à partir de Kaggle et Github.

    OriginalL'auteur dhinckley

  2. 2

    Dans ce référentiel, vous avez un exemple:

    https://github.com/ZFTurbo/KAGGLE_DISTRACTED_DRIVER/blob/master/run_keras_simple.py

    Ils ont des dossiers différents, dans chaque dossier, il y est une classe différente de l'image. Ils charger les images à l'aide d'opencv et ils buld un tableau contenant la classe de chaque image.

    OriginalL'auteur Rob

  3. 2

    Créer un dossier pour le train et dans le dossier, créer des dossiers distincts pour les classes d'images.

    Accéder aux images à l'aide de 

      train_generator = train_datagen.flow_from_directory(
    'data/train',
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary')

    En référence à keras.io

    Essayez de fournir un bien formaté, documentée et détaillée de la réponse.

    OriginalL'auteur isaac-moore