Introdução a CNNs

Introdução ao Deep Learning com Keras

Miguel Esteban

Data Scientist & Founder

# Importar as camadas Conv2D e Flatten de tensorflow keras layers
from tensorflow.keras.layers import Dense, Conv2D, Flatten

# Instanciar o modelo como de costume
model = Sequential()

# Adicionar uma camada convolucional com 32 filtros de tamanho 3x3
model.add(Conv2D(filters=32,
                 kernel_size=3,
                 input_shape=(28, 28, 1),
                 activation='relu'))

# Adicionar outra camada convolucional
model.add(Conv2D(8, kernel_size=3, activation='relu'))

# Achatar a saída da camada anterior
model.add(Flatten())

# Finalizar este modelo multiclasse com 3 saídas e softmax
model.add(Dense(3, activation='softmax'))

Pré-processamento de imagens para ResNet50

# Importar image de keras.preprocessing
from tensorflow.keras.preprocessing import image

# Importar preprocess_input de tensorflow.keras.applications.resnet50
from tensorflow.keras.applications.resnet50 import preprocess_input

# Carregar a imagem com o tamanho alvo correto para o modelo
img = image.load_img(img_path, target_size=(224, 224))

# Transformá-la em array
img = image.img_to_array(img)

# Expandir as dimensões para a rede entender:
# img.shape passa de (224, 224, 3) para (1, 224, 224, 3)
img = np.expand_dims(img, axis=0)

# Pré-processar a img do mesmo modo que as imagens de treino
img = preprocess_input(img)

Usando o modelo ResNet50 no Keras

# Importar ResNet50 e decode_predictions de tensorflow.keras.applications.resnet50
from tensorflow.keras.applications.resnet50 import ResNet50, decode_predictions

# Instanciar um modelo ResNet50 com pesos de imagenet
model = ResNet50(weights='imagenet')

# Fazer previsões com ResNet50 na nossa img
preds = model.predict(img)

# Decodificar as previsões e imprimir
print('Predicted:', decode_predictions(preds, top=1)[0])

Predicted: [('n07697313', 'cheeseburger', 0.9868016)]

Vamos experimentar!

Introdução ao Deep Learning com Keras