Neural NetWork

Datasets

นำมาจากkaggle Animals-10เป็น Dataset เกี่ยวกับภาพหน้าของสัตว์ 10 categories คือ "Dog", "Cat", "Horse", "Spider", "butterfly", "Chicken", "Sheep", "Cow", "Squirrel", "elephant" จุดประสงค์ คือ ต้องการให้ผู้ใช้ส่งภาพสัตว์และให้โมเดลทำนายว่ามันคือภาพสัตว์ชนิดอะไร

Example Dataset

Mapping Cover Language Italian to English

เนื่องจากโฟลเดอร์ของไฟล์นี้เป็นภาษาอื่นซึ่งเป็นภาษา Italian จึงต้องทำการแปลภาษาเป็นภาษา อังกฤษ ก่อน โดยใช้ Dictionary ในการแปลภาษา

MappingTranslate.py

translate = {"cane": "dog", "cavallo": "horse", "elefante": "elephant", "farfalla": "butterfly",
"gallina": "chicken", "gatto": "cat", "mucca": "cow", "pecora": "sheep", "scoiattolo": "squirrel",
"dog": "cane", "cavallo": "horse","elephant" : "elefante", "butterfly": "farfalla", "chicken": "gallina", "cat": "gatto",
"cow": "mucca", "ragno": "spider", "squirrel": "scoiattolo"}

for img_class in os.listdir("/kaggle/input/animals10/raw-img/"):
    print(translate[img_class])

OutputMapping.py

horse
sheep
elephant
cat
squirrel
chicken
spider
cow
dog
butterfly

Normalize Data, Resize Images, and Split Data for Training and Testing

ทำการ normalize data และปรับภาพให้มีขนาดเท่ากัน 128*128 และแบ่งข้อมูลสำหรับ train และ test 80:20

Normalize Data, Resize Images, and Split Data for Training and Testing.py

from tensorflow.keras.preprocessing.image import ImageDataGenerator

data_generator = ImageDataGenerator(
    rescale=1./255,
    validation_split=0.2
)
train_data = data_generator.flow_from_directory(
    '/kaggle/input/animals10/raw-img/',
    target_size=(128, 128),
    class_mode='categorical',
    batch_size=64,
    subset='training',
    shuffle=True
)

# โหลดข้อมูล validation
valid_data = data_generator.flow_from_directory(
    '/kaggle/input/animals10/raw-img/',
    target_size=(128, 128),
    class_mode='categorical',
    batch_size=64,
    subset='validation',
    shuffle=True
)

Layer Model

ทำการใส่ layer ให้กับ model input 128*128*3 output มี 10 คลาส

Layer Model

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = models.Sequential()

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Flatten())
model.add(layers.Dense(512, activation='relu'))

model.add(layers.Dense(10, activation='softmax'))  # 10 คลาส

Model Optimizer

เทรน model optimizer ด้วย adam เทรนจำนวน 10 epochs

Model Optimizer.py

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

model.fit(
    train_data, 
    epochs=10, 
    validation_data=valid_data,
    steps_per_epoch=100,
    validation_steps=20
)