我是如何快速拿下datacastle图像识别竞赛“猫狗大战”冠军的 ｜ 含全代码和详细说明

接触数据挖掘快有一年了，早期在学生团队做过一些D3数据可视化方面的工作，今年上半年开始数据挖掘实践。想把这个爱好发展成事业。有在kaggle混迹，算个数据新手，但一直不承认：你是新人，所以成绩不好看没啥关系。

小试牛刀

之前偶然的机会看到了datacastle大数据竞赛平台的“猫狗大战”竞赛，本着好奇和体验一下的心态就参加了。但是我本身对图像识别这一块并不是特别熟悉，所以在前期的上手过程中遇到了很多麻烦，甚至一度有放弃的想法。在很长一段时间内，我都没有去思考有关这个竞赛的问题。

过程艰难

一开始，我就把一屏的代码放进了我的jupyter notebook中，一步一步试水。很明显，我的很多依赖包都没安装，所以也是错误不断。

早先是在Windows系统下，使用python2.7，需要什么包，就安装什么包。在安装keras过程中，我发现了Anaconda——很好用的一个科学计算环境，集成了各种数据挖掘包。即使是这样，仍然是满屏的错误，亟待排查。

初见曙光

后来上论坛逛过几次。一次偶然的机会，让我看到了yinjh团队分享的vgg16模型。乍一看，代码简单、效果不错。更为重要的是，这个模型自己以前从未见过。于是抱着验证学习的态度，我把代码扣了下来，打算自己照着做一遍。

一开始，我就把一屏的代码放进了我的jupyter notebook中，一步一步试水。很明显，我的很多依赖包都没安装，所以也是错误不断。

早先是在Windows系统下，使用python2.7，需要什么包，就安装什么包。在安装keras过程中，我发现了Anaconda——很好用的一个科学计算环境，集成了各种数据挖掘包。即使是这样，仍然是满屏的错误，亟待排查。

欣喜万分

离比赛截止就还只有几天，一边准备期末考试，一边焦急地排查bug。Windows系统下仍有个别难以解决的错误，我索性切换到了做NAO机器人时装的Ubuntu系统下。

结合keras给的官方文档，我对原代码进行了函数拆分解耦，又在循环体部分增加了异常检测。综合考虑性能，稍微修改了循环结构。下载好训练的vgg16_weights，在没有错误之后，焦急地等待25分钟后，屏幕开始打印结果。

第一次提交，随便截取了前面一段，没成绩。折腾了几次，才发现是提交的格式出了问题。后面取p=0.99+部分，提交结果在0.58左右，数据集大概有90个。
估计了下，狗狗总数应该在180左右。第二次提交，取了180左右，结果0.97多一点。第三次，也是最后一次提交，取了result前189个，结果0.98639，一举升到第一。

代码分享及思路详解

以下操作均在Ubuntu14.04+Anaconda中进行
导入python标准包

In [ ]:

import os   # 处理字符串路径

import glob  # 用于查找文件

导入相关库

keraskeras是基于Theano的深度学习(Deep Learning)框架
详细信息请见keras官方文档

安装过程conda update condaconda update --allconda install mingw libpythonpip install git+git://github.com/Theano/Theano.gitpip install git+git://github.com/fchollet/keras.gitcv2OpenCV库conda isntall opnecv

numpyAnaconda自带

In [ ]:

from keras.models import Sequential
from keras.layers.core import Flatten, Dense, Dropout
from keras.layers.convolutional import Convolution2D, MaxPooling2D, ZeroPadding2D
from keras.optimizers import SGD
import cv2, numpy as np

使用keras建立vgg16模型

参考官方示例
In [ ]:

def VGG_16(weights_path=None):

model = Sequential()

model.add(ZeroPadding2D((1,1),input_shape=(3,224,224)))

model.add(Convolution2D(64, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(64, 3, 3, activation='relu'))

model.add(MaxPooling2D((2,2), strides=(2,2)))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(128, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(128, 3, 3, activation='relu'))

model.add(MaxPooling2D((2,2), strides=(2,2)))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(256, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(256, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(256, 3, 3, activation='relu'))

model.add(MaxPooling2D((2,2), strides=(2,2)))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(MaxPooling2D((2,2), strides=(2,2)))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(ZeroPadding2D((1,1)))

model.add(Convolution2D(512, 3, 3, activation='relu'))

model.add(MaxPooling2D((2,2), strides=(2,2)))

model.add(Flatten())

model.add(Dense(4096, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(4096, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(1000, activation='softmax'))

if weights_path:

model.load_weights(weights_path)

return model

引入训练好的vgg16_weights模型

Note：vgg16_weights.h5需单独下载，并与代码文件处于同一文件夹下，否则会报错。网上有资源 附百度云盘链接 vgg16_weights.h5下载

In [ ]:

model = VGG_16('vgg16_weights.h5')

In [ ]:

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)model.compile(optimizer=sgd, loss='categorical_crossentropy')

猫和狗的特征

In [ ]:

dogs=[251, 268, 256, 253, 255, 254, 257, 159, 211, 210, 212, 214, 213, 216, 215, 219, 220, 221, 217, 218, 207, 209, 206, 205, 208, 193, 202, 194, 191, 204, 187, 203, 185, 192, 183, 199, 195, 181, 184, 201, 186, 200, 182, 188, 189, 190, 197, 196, 198, 179, 180, 177, 178, 175, 163, 174, 176, 160, 162, 161, 164, 168, 173, 170, 169, 165, 166, 167, 172, 171, 264, 263, 266, 265, 267, 262, 246, 242, 243, 248, 247, 229, 233, 234, 228, 231, 232, 230, 227, 226, 235, 225, 224, 223, 222, 236, 252, 237, 250, 249, 241, 239, 238, 240, 244, 245, 259, 261, 260, 258, 154, 153, 158, 152, 155, 151, 157, 156]cats=[281,282,283,284,285,286,287]

待处理文件导入

Note:将测试集改名为test，放入imgs文件夹下，imgs文件夹又与此代码处于同一文件夹下。
当然，你也可以修改下面的路径。

In [ ]:

path = os.path.join('imgs', 'test', '*.jpg')  #拼接路径
files = glob.glob(path) #返回路径

定义几个变量

In [ ]:

result=[]

In [ ]:

flbase=0p=0temp=0

定义图像加载函数

In [ ]:

def load_image(imageurl):
im = cv2.resize(temp ,(224,224)).astype(np.float32)
im[:,:,0] -= 103.939
im[:,:,1] -= 116.779
im[:,:,2] -= 123.68
im = im.transpose((2,0,1))
im = np.expand_dims(im,axis=0)
return im

定义预测函数

In [ ]:

def predict(url):
im = load_image(url)
out = model.predict(im)
flbase = os.path.basename(url)
p = np.sum(out[0,dogs]) / (np.sum(out[0,dogs]) + np.sum(out[0,cats]))
result.append((flbase,p))

开始预测

Note：此处的if,else异常检测很重要，因为cv2.imread(fl)在遇到某几张图时会为空，抛出错误，程序中途停止，图片集得不到完全检测。
一般配置电脑跑这部分时，大约需要20～30分钟，不是程序没有工作，请耐心等待。
In [ ]:

for fl in files:
temp=cv2.imread(fl)
if  temp ==None:
pass
else:
predict(fl)

对结果进行排序

In [ ]:

result=sorted(result, key=lambda x:x[1], reverse=True)

打印预测结果与相应概率

In [ ]:

for x in result:
print x[0],x[1]

预测结果

根据上面的概率，选择相应的前多少张图片
复制进csv文件，使用一般编辑器将".jpg"以空格替代
In [ ]:

for x in result:
print x[0]

ps：完整的代码可以在github下载https://github.com/KuHung/DateCastle/blob/master/catdog.ipynb

关注datacastle查看更多竞赛信息和技术分享