Untitled-1.txt

import sys
import os
from tensorflow.python.keras.preprocessing.image import ImageDataGenerator## Prepocesar las imagenes para entrenar algoritmo
from tensorflow.python.keras import optimizers## optimizadores para entrenar nuestro algoritmo
from tensorflow.python.keras.models import Sequential## para hacer redes neuronales secuenciales
from tensorflow.python.keras.layers import Dropout, Flatten, Dense, Activation
from tensorflow.python.keras.layers import  Convolution2D, MaxPooling2D## Son nuestras capas para convoluciones 
from tensorflow.python.keras import backend as K # si hay una sesion de keras la cierra

K.clear_session()

data_entrenamiento='./data/entrenamiento'
data_validacion='./data/validacion'
##Parametros
epocas = 20 
altura, longitud = 100 , 100 #dimension de la imagen  a la cual la preprocesaremos 
batch_size = 32  ## numero de imagenes que mandaremos a preprocesar en cada uno de los pasos 
pasos = 1000  #numero de veces que se preprocesara la informacion
pasos_validacion = 200 
filtrosConv1= 32
filtrosConv2= 64
tamano_filtro1=(3,3)
tamano_filtro2=(2,2)
tamano_pool=(2,2)
numero_clases=3 ## numero de clases por ejemplo golf , tennis 
lr= 0.0005 # learning rate 


#pre procesamiento de las imagenes 

#generador para preprocesar
entrenamiento_datagen= ImageDataGenerator(
    rescale=1./255,
    shear_range=0.3,## inclina las imagenes 
    zoom_range=0.3,## les va a hacer zoom a algunas imagenes 
    horizontal_flip=True## la va invertir 
)
validacion_datagen=ImageDataGenerator(
    rescale=1./255
)

imagen_entrenamiento = entrenamiento_datagen.flow_from_directory(
    data_entrenamiento,
    target_size= (altura, longitud),
    batch_size= batch_size,
    class_mode='categorical'
)

imagen_validacion = validacion_datagen.flow_from_directory(
    data_validacion,
    target_size= (altura, longitud),
    batch_size= batch_size,
    class_mode='categorical'
)

## crear red convulocional 

cnn = Sequential()
cnn.add(Convolution2D(filtrosConv1, tamano_filtro1, padding ="same", input_shape=(longitud, altura,3), activation='relu'))
cnn.add(MaxPooling2D(pool_size=tamano_pool))

cnn.add(Convolution2D(filtrosConv2, tamano_filtro2, padding ="same"))
cnn.add(MaxPooling2D(pool_size=tamano_pool))

cnn.add(Flatten())
cnn.add(Dense(256, activation='relu'))
cnn.add(Dropout(0.5))# enciende solo la mitad para obtener soluciones distintas
cnn.add(Dense(numero_clases, activation='softmax'))

cnn.compile(loss='categorical_crossentropy' , optimizer=optimizers.Adam(lr=lr), metrics=['accuracy'])#el algoritmo vea que tan mal va y el optimizador va a ser Adam

cnn.fit_generator(
        imagen_entrenamiento,
        steps_per_epoch=pasos,
        epochs=epocas,
        validation_data=imagen_validacion,
        validation_steps=pasos_validacion)


target_dir = './modelo/'
if not os.path.exists(target_dir):
  os.mkdir(target_dir)
cnn.save('./modelo/modelo.h5')
cnn.save_weights('./modelo/pesos.h5')