建立在路缘石上的图像分类库。识别最佳超参数集，并相应地训练分类模型，因此，智能。
smic的Python项目详细描述
#智能图像分类器
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg？maxage=2592000）]（https://github.com/anuragmishracse/sm art廑u i mage廑c lassifier/blob/master/license）
**sm**art**i**mage**c**classifier（缩写并命名为**smic**）是一个基于keras的深入学习库，使用tensorflow后端构建用于图像分类的模型。
本图书馆的特色：
1.它搜索分类模型
2的最优超参数集。适用于任何培训集，因为它是以库可以理解的格式组织的
3。我们可以用5行代码构建一个图像分类器
u建议您使用GPU来训练您的模型，因为使用CPU可能需要几天的时间。
----
tqdm
2.熊猫
3。纽比
4.opencv python
5.张力流
6.h5py
7.keras==2.0.9
```
请确保满足要求。
可以通过“pip install-r requirements.py`
放在不同的目录中。The required data format is,
```
/path/to/data/folder/
|---->train
|----|----->trainImage1 #Image names can be anything
|----|----->trainImage2
|----|----->trainImage3
|----|----->___so on___
|---->test
|----|----->testImage1 #Image names can be anything
|----|----->testimage2
--->；testimage3
-->；
----->；
-->；trainlabels.csv；trainlabels.csv；trainlabels.csv；trainimage1“，”cat”格式的记录；trainimage1“，”cat”格式的记录；tra
>
->；testlabels.csv；testlabels.csv；testlabels.csv；testlabels.csv；包含“testimage1”，“dog”`formmat格式的记录；traintmage1“，”testmage1“，”dog“，”dog”`formmat
`` python
从中芯国际导入smic
clf=smic（）
clf.准备列车数据（'/path/to/data/folder'）
超参数=clf.搜索最优参数（）
clf.fit（超参数，epochs=50，批量大小=32）
````
`超参数'是由“搜索最优参数（）返回的命令，包含似乎对手头的任务最有效。
如果需要，可以使用自己的超参数；跳过第[4行并创建自己的超参数dict，例如
``python
hyperparameters={transfer_model'：'vgg16'，'optimizer'：'sgd'，
`top_layers'：[['dense'，512，'relu']]}
````
将此dict作为参数传递给`.fit（）`。
<<
支持的超参数和值：
``````
‘传输模型’：['vggg16'，'vggg19'，'resnet50'，'inception'v3']
‘优化器’：['sgd'，'rmsprop'，'adam']
‘顶层层’：你想在预先训练好的cnn之上添加的所有层的列表。
例如：[[['Dense'，'512'，'relu']，['Dense'，'Dense'，'512'，'relu']，…]
例如：[['Dense'，'Dense'，'Dense'，'512'，'relu'，'/>这里“密集”是层的类型，512是输出维度，
'relu'是激活函数。
````
使用的假设是，数据集适合内存；使用批处理来适合内存大小的数据集。
2。超参数调整当前搜索优化器、传输学习cnn和顶层数量；添加对更多超参数的支持，如动量值、辍学、正则化等。
3。添加图像数据增强，这可能有助于从较少的数据集中学习。
4.数据集需要按照上述格式进行组织；添加对其他格式的支持，如：
`````
train
>>--gt；cat
>--gt；train
>--gt；cat
>>--gt；
----gt；
----gt；dog
--gt；dog
--gt；dog
>--gt；dog
>--gt；其他格式的支持。dogimage2
|--->；———————————————————————————————————————————————————————————————————————————添加测试；找出测试更改的方法，使其不会损坏repo；使用ci。
\note to community
1。作为一个社区，需要付出很多努力来开发系统的超参数优化方法，因此欢迎提出建议/想法。
2.欢迎对上述TOdo或任何其他改进提出请求。
3.如果有任何问题/疑问，请打开新问题或通过电子邮件与我联系。
[！[许可证]（https://img.shields.io/github/license/mashape/apistatus.svg？maxage=2592000）]（https://github.com/anuragmishracse/sm art廑u i mage廑c lassifier/blob/master/license）
**sm**art**i**mage**c**classifier（缩写并命名为**smic**）是一个基于keras的深入学习库，使用tensorflow后端构建用于图像分类的模型。
本图书馆的特色：
1.它搜索分类模型
2的最优超参数集。适用于任何培训集，因为它是以库可以理解的格式组织的
3。我们可以用5行代码构建一个图像分类器
u建议您使用GPU来训练您的模型，因为使用CPU可能需要几天的时间。
----
tqdm
2.熊猫
3。纽比
4.opencv python
5.张力流
6.h5py
7.keras==2.0.9
```
请确保满足要求。
可以通过“pip install-r requirements.py`
放在不同的目录中。The required data format is,
```
/path/to/data/folder/
|---->train
|----|----->trainImage1 #Image names can be anything
|----|----->trainImage2
|----|----->trainImage3
|----|----->___so on___
|---->test
|----|----->testImage1 #Image names can be anything
|----|----->testimage2
--->；testimage3
-->；
----->；
-->；trainlabels.csv；trainlabels.csv；trainlabels.csv；trainimage1“，”cat”格式的记录；trainimage1“，”cat”格式的记录；tra
>
->；testlabels.csv；testlabels.csv；testlabels.csv；testlabels.csv；包含“testimage1”，“dog”`formmat格式的记录；traintmage1“，”testmage1“，”dog“，”dog”`formmat
`` python
从中芯国际导入smic
clf=smic（）
clf.准备列车数据（'/path/to/data/folder'）
超参数=clf.搜索最优参数（）
clf.fit（超参数，epochs=50，批量大小=32）
````
`超参数'是由“搜索最优参数（）返回的命令，包含似乎对手头的任务最有效。
如果需要，可以使用自己的超参数；跳过第[4行并创建自己的超参数dict，例如
``python
hyperparameters={transfer_model'：'vgg16'，'optimizer'：'sgd'，
`top_layers'：[['dense'，512，'relu']]}
````
将此dict作为参数传递给`.fit（）`。
<<
支持的超参数和值：
``````
‘传输模型’：['vggg16'，'vggg19'，'resnet50'，'inception'v3']
‘优化器’：['sgd'，'rmsprop'，'adam']
‘顶层层’：你想在预先训练好的cnn之上添加的所有层的列表。
例如：[[['Dense'，'512'，'relu']，['Dense'，'Dense'，'512'，'relu']，…]
例如：[['Dense'，'Dense'，'Dense'，'512'，'relu'，'/>这里“密集”是层的类型，512是输出维度，
'relu'是激活函数。
````
使用的假设是，数据集适合内存；使用批处理来适合内存大小的数据集。
2。超参数调整当前搜索优化器、传输学习cnn和顶层数量；添加对更多超参数的支持，如动量值、辍学、正则化等。
3。添加图像数据增强，这可能有助于从较少的数据集中学习。
4.数据集需要按照上述格式进行组织；添加对其他格式的支持，如：
`````
train
>>--gt；cat
>--gt；train
>--gt；cat
>>--gt；
----gt；
----gt；dog
--gt；dog
--gt；dog
>--gt；dog
>--gt；其他格式的支持。dogimage2
|--->；———————————————————————————————————————————————————————————————————————————添加测试；找出测试更改的方法，使其不会损坏repo；使用ci。
\note to community
1。作为一个社区，需要付出很多努力来开发系统的超参数优化方法，因此欢迎提出建议/想法。
2.欢迎对上述TOdo或任何其他改进提出请求。
3.如果有任何问题/疑问，请打开新问题或通过电子邮件与我联系。
欢迎加入QQ群-->： 979659372
