Keras自动下载的数据集/模型存放位置介绍
时间:2022-07-27
本文章向大家介绍Keras自动下载的数据集/模型存放位置介绍,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
Mac
# 数据集 ~/.keras/datasets/ # 模型 ~/.keras/models/
Linux
# 数据集 ~/.keras/datasets/
Windows
# win10 C:Usersuser_name.kerasdatasets
补充知识:Keras_gan生成自己的数据,并保存模型
我就废话不多说了,大家还是直接看代码吧~
from __future__ import print_function, division
from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam
import os
import matplotlib.pyplot as plt
import sys
import numpy as np
class GAN():
def __init__(self):
self.img_rows = 3
self.img_cols = 60
self.channels = 1
self.img_shape = (self.img_rows, self.img_cols, self.channels)
self.latent_dim = 100
optimizer = Adam(0.0002, 0.5)
# 构建和编译判别器
self.discriminator = self.build_discriminator()
self.discriminator.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])
# 构建生成器
self.generator = self.build_generator()
# 生成器输入噪音,生成假的图片
z = Input(shape=(self.latent_dim,))
img = self.generator(z)
# 为了组合模型,只训练生成器
self.discriminator.trainable = False
# 判别器将生成的图像作为输入并确定有效性
validity = self.discriminator(img)
# The combined model (stacked generator and discriminator)
# 训练生成器骗过判别器
self.combined = Model(z, validity)
self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)
def build_generator(self):
model = Sequential()
model.add(Dense(64, input_dim=self.latent_dim))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(128))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(256))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(1024))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
#np.prod(self.img_shape)=3x60x1
model.add(Dense(np.prod(self.img_shape), activation='tanh'))
model.add(Reshape(self.img_shape))
model.summary()
noise = Input(shape=(self.latent_dim,))
img = model(noise)
#输入噪音,输出图片
return Model(noise, img)
def build_discriminator(self):
model = Sequential()
model.add(Flatten(input_shape=self.img_shape))
model.add(Dense(1024))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(256))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(128))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(64))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(1, activation='sigmoid'))
model.summary()
img = Input(shape=self.img_shape)
validity = model(img)
return Model(img, validity)
def train(self, epochs, batch_size=128, sample_interval=50):
############################################################
#自己数据集此部分需要更改
# 加载数据集
data = np.load('data/相对大小分叉.npy')
data = data[:,:,0:60]
# 归一化到-1到1
data = data * 2 - 1
data = np.expand_dims(data, axis=3)
############################################################
# Adversarial ground truths
valid = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))
for epoch in range(epochs):
# ---------------------
# 训练判别器
# ---------------------
# data.shape[0]为数据集的数量,随机生成batch_size个数量的随机数,作为数据的索引
idx = np.random.randint(0, data.shape[0], batch_size)
#从数据集随机挑选batch_size个数据,作为一个批次训练
imgs = data[idx]
#噪音维度(batch_size,100)
noise = np.random.normal(0, 1, (batch_size, self.latent_dim))
# 由生成器根据噪音生成假的图片
gen_imgs = self.generator.predict(noise)
# 训练判别器,判别器希望真实图片,打上标签1,假的图片打上标签0
d_loss_real = self.discriminator.train_on_batch(imgs, valid)
d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake)
d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)
# ---------------------
# 训练生成器
# ---------------------
noise = np.random.normal(0, 1, (batch_size, self.latent_dim))
# Train the generator (to have the discriminator label samples as valid)
g_loss = self.combined.train_on_batch(noise, valid)
# 打印loss值
print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))
# 没sample_interval个epoch保存一次生成图片
if epoch % sample_interval == 0:
self.sample_images(epoch)
if not os.path.exists("keras_model"):
os.makedirs("keras_model")
self.generator.save_weights("keras_model/G_model%d.hdf5" % epoch,True)
self.discriminator.save_weights("keras_model/D_model%d.hdf5" %epoch,True)
def sample_images(self, epoch):
r, c = 10, 10
# 重新生成一批噪音,维度为(100,100)
noise = np.random.normal(0, 1, (r * c, self.latent_dim))
gen_imgs = self.generator.predict(noise)
# 将生成的图片重新归整到0-1之间
gen = 0.5 * gen_imgs + 0.5
gen = gen.reshape(-1,3,60)
fig,axs = plt.subplots(r,c)
cnt = 0
for i in range(r):
for j in range(c):
xy = gen[cnt]
for k in range(len(xy)):
x = xy[k][0:30]
y = xy[k][30:60]
if k == 0:
axs[i,j].plot(x,y,color='blue')
if k == 1:
axs[i,j].plot(x,y,color='red')
if k == 2:
axs[i,j].plot(x,y,color='green')
plt.xlim(0.,1.)
plt.ylim(0.,1.)
plt.xticks(np.arange(0,1,0.1))
plt.xticks(np.arange(0,1,0.1))
axs[i,j].axis('off')
cnt += 1
if not os.path.exists("keras_imgs"):
os.makedirs("keras_imgs")
fig.savefig("keras_imgs/%d.png" % epoch)
plt.close()
def test(self,gen_nums=100,save=False):
self.generator.load_weights("keras_model/G_model4000.hdf5",by_name=True)
self.discriminator.load_weights("keras_model/D_model4000.hdf5",by_name=True)
noise = np.random.normal(0,1,(gen_nums,self.latent_dim))
gen = self.generator.predict(noise)
gen = 0.5 * gen + 0.5
gen = gen.reshape(-1,3,60)
print(gen.shape)
###############################################################
#直接可视化生成图片
if save:
for i in range(0,len(gen)):
plt.figure(figsize=(128,128),dpi=1)
plt.plot(gen[i][0][0:30],gen[i][0][30:60],color='blue',linewidth=300)
plt.plot(gen[i][1][0:30],gen[i][1][30:60],color='red',linewidth=300)
plt.plot(gen[i][2][0:30],gen[i][2][30:60],color='green',linewidth=300)
plt.axis('off')
plt.xlim(0.,1.)
plt.ylim(0.,1.)
plt.xticks(np.arange(0,1,0.1))
plt.yticks(np.arange(0,1,0.1))
if not os.path.exists("keras_gen"):
os.makedirs("keras_gen")
plt.savefig("keras_gen"+os.sep+str(i)+'.jpg',dpi=1)
plt.close()
##################################################################
#重整图片到0-1
else:
for i in range(len(gen)):
plt.plot(gen[i][0][0:30],gen[i][0][30:60],color='blue')
plt.plot(gen[i][1][0:30],gen[i][1][30:60],color='red')
plt.plot(gen[i][2][0:30],gen[i][2][30:60],color='green')
plt.xlim(0.,1.)
plt.ylim(0.,1.)
plt.xticks(np.arange(0,1,0.1))
plt.xticks(np.arange(0,1,0.1))
plt.show()
if __name__ == '__main__':
gan = GAN()
gan.train(epochs=300000, batch_size=32, sample_interval=2000)
# gan.test(save=True)
以上这篇Keras自动下载的数据集/模型存放位置介绍就是小编分享给大家的全部内容了,希望能给大家一个参考。
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Linux unlink函数和删除文件的操作方法
- Linux seq命令的使用详解
- Linux运维工具Supervisor的安装使用(进程管理工具)
- Linux whatis命令的使用方法
- Linux tr命令的使用方法
- Linux man命令的具体使用
- Linux locate命令的使用方法
- 解决linux系统中运行node进程却无法杀死进程的问题
- 5分钟搭建一个WebRTC视频聊天
- redis妙用-应用场景
- 详解Linux中几个获取硬件详细信息的命令
- Linux系统用户管理命令小结
- Linux用if判断目录是否存在实例方法
- CentOS 8.1下搭建LEMP(Linux+Nginx+MySQL+PHP)环境(教程详解)
- Linux echo文本处理命令的使用及示例