Descarga la aplicación para disfrutar aún más
Esta es una vista previa del archivo. Inicie sesión para ver el archivo original
import tensorflow as tf #Para disenar la arquitectura from keras.preprocessing.image import ImageDataGenerator #para darle formato al dataset import numpy as np #para ingresar las imagenes en la red neuronal from tensorflow.keras.preprocessing import image import matplotlib.pyplot as plt #Para dibujar la imagen #Plantear caracteristicas para las imagenes de entrenamiento e imagenes de prueba train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True) test_datagen = ImageDataGenerator(rescale = 1./255) #Importamos el dataset training_set = train_datagen.flow_from_directory(r'C:\Users\DELL 7280\Documents\LALO TEC LAGUNA\NOVENO SEMESTRE\Inteligencia artificial\Perros y GATOS\Datos entrenamiento', target_size = (100, 100), batch_size = 32, class_mode = 'binary',# color_mode = 'grayscale', ) print(training_set) test_set = test_datagen.flow_from_directory(r'C:\Users\DELL 7280\Documents\LALO TEC LAGUNA\NOVENO SEMESTRE\Inteligencia artificial\Perros y GATOS\Datos entrenamiento', target_size = (100, 100), batch_size = 32, class_mode = 'binary')# color_mode = 'grayscale', #Elaboramos la arquitectura modeloDenso = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(100, 100, 3)),#input_shape=(100, 100, 1) tf.keras.layers.Dense(509, activation='tanh'), tf.keras.layers.Dense(500, activation='tanh'), tf.keras.layers.Dense(1, activation='sigmoid') ]) #Compilar modelos. Usar crossentropy binario ya que tenemos solo 2 opciones (perro o gato) modeloDenso.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) modeloDenso.fit(training_set, steps_per_epoch = 80/32, epochs = 150, validation_data = test_set, validation_steps = 10)#callbacks=[tensorboardDenso] # Part 3 - Making new predictions # Single prediction #from tensorflow.keras.preprocessing import image #Probar gatos test_image = image.load_img(r'C:\Users\DELL 7280\Documents\LALO TEC LAGUNA\NOVENO SEMESTRE\Inteligencia artificial\Perros y GATOS\PetImages\Gato\138.jpg', target_size = (100, 100)) #Probar perros test_image = image.load_img(r'C:\Users\DELL 7280\Documents\LALO TEC LAGUNA\NOVENO SEMESTRE\Inteligencia artificial\Perros y GATOS\PetImages\Perro\838.jpg', target_size = (100, 100)) test_image = image.img_to_array(test_image) test_image = np.expand_dims(test_image, axis = 0) test_image /= 255. #Allows us to properly visualize our image by rescaling values in array result = modeloDenso.predict(test_image) training_set.class_indices if result[0][0] == 1: prediction = 'dog' else: prediction = 'cat' #Manipular y visualizar el set #Plots image plt.figure(figsize=(6,6)) plt.imshow(test_image[0]) plt.show() print(prediction) import matplotlib.pyplot as plt import cv2 plt.subplot() plt.figure(figsize=(20,20)) n=int(10) print(n) print(d)
Compartir