9行python学习cnn卷积神经网络，怎样深度学习植物图片进行分类？

文中程序使用CNN(Convolutional Neural Network)卷积网络,对5种花类图集进行深度学习，得到训练结果后再利用程序识别。

9行代码指训练程序主函数的程序行数。卷积神经网络实现函数有卷积层和池化层具体代码演示方法和公式。

文中对卷积神经网络cnn对5种花卉的训练结果保存和调用也给出了比较明确的方法以供学习！

卷积神经网络cnn原理动图

上图演示卷积神经网络原理！

卷机神经网络包括

a.输入层（统一花卉图片为100*100大小后输入）

b.卷积计算层（CONV）：进行求和线性乘积运算。对图片区域处理特征

c.激励层（RELU），ReLU是激活函数的一种，普遍适用于卷积神经网络。

d.池化层（POOL），取区域平均或最大，缩小数据维度，增加数据厚度

e.全连接层（FC），综合数据得出结果

对于图像深度学习卷积层是最重要的！“卷积”操作是对不同窗口数据做逐个元素相乘再求和（内积）操作，这是名字来源。

5种花卉

5类花卉包括daisy雏菊633张图片、dandelion蒲公英898张图片、rose玫瑰641图片、sunflower向日葵699张图片、tulip郁金香799张图片。每个花卉对应不同目录！总共数据228M.文章种的了解更多可以得到图片集。大家要注意解压到全英文目录。

主要神经网络函数

主卷积神经网络cnn函数。 卷积层数据集全都采用了补0，经过卷积层后长度、宽度不变，深度加大。池化层保持原尺寸，经过池化层长度和宽度减小，深度不变。 数据集尺寸变化为：

100×100×3

100×100×32

50×50 ×32

50×50 ×64

25×25 ×64

25×25 ×128

12×12 ×128

12×12 ×128

6×6 ×128

可以看到经过卷积处理和池化处理，数据集长宽不断减小，厚度增加，于上面卷积神经网络原理动图对应！

程序识别花卉

程序准确率大概在65%左右。谷歌的Inception-v3花卉数据集分类准确率在95%左右。

我们把网上下载的花图片保存到flwtst测试，最终给出了正确判断。另外各个目录都在程序开头可以更改。