基于CNN和SVM的猫狗识别

传统的卷积神经网络是利用全连接层进行分类，svm对于小样本数据具有较强的分类效果，利用SVM代替卷积神经网络中的全连接层，可以提高网络识别精度

# -*- coding: utf-8 -*-
“““
Created on Sat Oct 19 21:39:21 2019

@author: 华阳
“““
import random
import tensorflow as tf
import numpy as np
from libsvm.python.svmutil import *

train_data = np.load（“train_data.npy“）
train_label = np.load（“train_label.npy“）
test_data = np.load（“test_data.npy“）
test_label = np.load（“test_label.npy“）

train_data = train_data.reshape（15006400）
test_data = test_data.reshape（3006400）


sess = tf.InteractiveSession（）
def weight_variable（shape）:
    initial = tf.truncated_normal（shape stddev = 0.05）  #截断的正态分布，标准差stddev
    return tf.Variable（initial）
# 偏置参数初始化
def bias_variable（shape）:
    initial = tf.constant（0.1 shape = shape）
    return tf.Variable（initial） 
# 定义卷积层
def conv2d（x W）:
    # stride的四个参数：[batch height width channels] [batch_size image_rows image_cols number_of_colors]
    # height width就是图像的高度和宽度，batch和channels在卷积层中通常设为1
    return tf.nn.conv2d（x W strides = [1 1 1 1] padding = ‘SAME‘） 
def max_pool_2x2（x）:
    return tf.nn.max_pool（x ksize = [1 2 2 1] strides = [1 2 2 1] padding = ‘SAME‘）

xs = tf.placeholder（tf.float32 [None 6400]）
ys = tf.placeholder（tf.float32 [None 2]）
keep_prob = tf.placeholder（tf.float32）

x_image = tf.reshape（xs [-1 80 80 1]）#  -1 28 28 1

#print（x_image.shape）

# 卷积层一

# patch为5*5，in_size为1，即图像的厚度，如果是彩色，则为3，32是out_size，输出的大小-》32个卷积和（滤波器）

W_conv1 = weight_variable（[9 9 1 32]）
b_conv1 = bias_variable（[32]）
# ReLU操作，输出大小为28*28*32

h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）
# Pooling操作，输出大小为14*14*32
h_pool1 = max_pool_2x2（h_conv1）


# 卷积层二

# patch为5*5，in_size为32，即图像的厚度，64是out_size，输出的大小

W_conv2 = weight_variable（[9 9 32 64]）
b_conv2 = bias_variable（[64]）
# ReLU操作，输出大小为14*14*64
h_conv2 = tf.nn.relu（conv2d（h_pool1 W_conv2） + b_conv2）
# Pooling操作，输出大小为7*7*64
h_pool2 = max_pool_2x2（h_conv2）

 

# 全连接层一
W_fc1 = weight_variable（[20 * 20 * 64 640]）
b_fc1 = bias_variable（[640]）
# 输入数据变换
h_pool2_flat = tf.reshape（h_pool2 [-1 20 * 20 * 64]）  #整形成m*n列n为7*7*64
# 进行全连接操作
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）  # tf.matmul
# 防止过拟合，dropout
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prob）


# 全连接层二
W_fc2 = weight_variable（[640 2]）
b_fc2 = bias_variable（[2]）

prediction = tf.nn.softmax（tf.matmul（h_fc1_drop W_fc2） + b_fc2）
# 计算loss
cross_entropy = tf.reduce_mean（-tf.reduce_sum（ys * tf.log（tf.clip_by_value（prediction1e-81.0））））
# 神经网络训练
train_step = tf.train.AdamOptimizer（0.0001）.minimize（cross_entropy） #0.0001

# 定义Session
sess = tf.Session（）

init = tf.global_variables_initializer（）
# 执行初始化
sess.run（init）

for i in range（500）:
    
        # 跑3000轮迭代，每次随机从训练样本中抽出50个进行训练
    batch = （[] []）
    p = random.sample（range（1500） 50）
    for k in p:
        batch[0].append（train_data[k]）
        batch[1].append（train_label[k]）
        
    sess.run（train_step feed_dict={xs: batch[0] ys: batch[1] keep_prob: 0.6}）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4595  2019-11-08 10:45  基于CNN+SVM的猫狗识别\CNN_SVM.py
     文件    76800128  2019-10-22 10:41  基于CNN+SVM的猫狗识别\train_data.npy
     文件       12128  2019-10-22 10:41  基于CNN+SVM的猫狗识别\train_label.npy
     文件     3840128  2019-10-23 12:29  基于CNN+SVM的猫狗识别\x_temp.npy
     文件      768128  2019-10-23 12:29  基于CNN+SVM的猫狗识别\x_temp2.npy
     文件         163  2019-11-08 10:50  基于CNN+SVM的猫狗识别\说明.txt
     目录           0  2020-10-12 16:31  基于CNN+SVM的猫狗识别\