Male Female Classification

  # %%  Importing Libraries

import numpy as np       

import pandas as pd     

import matplotlib.pyplot as plt

import os

# %%  Importing Keras Libraries

import keras.backend as K 

from keras.models import Sequential

from keras.utils import to_categorical

from keras.layers.normalization import BatchNormalization

from keras.layers import Dense, Convolution2D, Activation, MaxPooling2D, AveragePooling2D, Dropout, Flatten

from keras.preprocessing import image

from keras.layers import LeakyReLU

# %%   Importing sklearn libraries

from sklearn.metrics import confusion_matrix, classification_report

from sklearn.model_selection import train_test_split

#%%  Assining the directories

men_img_path = 'men'

women_img_path = 'women'

directory = [(0,men_img_path), (1,women_img_path)] # assing the binary symbol ; type - list

# %%  Creating ImageDataBunch

men = []

women = []

img_size = 300

train_images = []

labels = []

for num , dir in directory:

    dir = dir + '/'

    count = 0

    for file in os.listdir(_dir):

        if count >= 1000:

            break

        img = image.load_img(_dir + str(file), target_size=(300,300))

        img = image.img_to_array(img)

        img = img/255

        train_images.append(img)

        labels.append(num)

        count += 1

# %%

print(type(train_images))

# print(train_images)

print(train_images[1].shape)

print(len(train_images))

# %%

plt.axis('off')

plt.imshow(train_images[100])

plt.imshow(train_images[1500])

# %%  Converting images list to array

x = np.array(train_images)

# %%  Splitting

x_train, x_test, y_train, y_test = train_test_split(x, labels, test_size=0.1, random_state=100)

# %%  Testing the vislulization

plt.axis('off')

plt.imshow(x_train[1000])

plt.imshow(x_test[500])

# %%

plt.figure(figsize=(20,50))

for i in range(20,40):

    plt.subplot(10,5,i+1)

    plt.axis('off')

    plt.imshow(x_train[i])

    plt.xlabel(y_train[i])

# %%  Converting labels list to categorical

y_train_labels = to_categorical(y_train)  # Here I did only train part bescause of training

# to_categorical` converts this into a matrix with as many

# %%  Initializing the model along with the input shape

def build(width, height, depth, classes):

    #initialize the model along with the input shape

    model = Sequential()

    input_shape = (height, width, depth)

    chanDim = -1

    

    if K.image_data_format() == 'channels_first':

        input_shape = (depth, height, width)

        chanDim = 1

        

    # layer 1 : CONV -> RELU -> MAXPOOL

    model.add(Convolution2D(64, (3,3), padding='same', input_shape=input_shape))

    model.add(Activation('relu'))

    model.add(BatchNormalization(axis=chanDim))

    model.add(MaxPooling2D(pool_size=(3,3)))

    model.add(Dropout(0.25))

    

    # layer 2-1 : CONV -> LEAKYRELU 

    model.add(Convolution2D(128, (3,3), padding='same'))

    model.add(LeakyReLU(alpha=0.1))

    model.add(BatchNormalization(axis=chanDim))

    # layer 2-2 : CONV -> LEAKYRELU -> AVGPOOL

    model.add(Convolution2D(128, (3,3), padding='same'))

    model.add(LeakyReLU(alpha=0.1))

    model.add(BatchNormalization(axis=chanDim))

    model.add(AveragePooling2D(pool_size=(3,3)))

    model.add(Dropout(0.25))

    

    # layer 3 : CONV -> RELU -> MAXPOOL

    model.add(Convolution2D(256, (3,3), padding='same'))

    model.add(Activation('relu'))

    model.add(BatchNormalization(axis=chanDim))

    model.add(MaxPooling2D(pool_size=(3,3)))

    model.add(Dropout(0.25))

    

    # layer 4 : CONV -> LEAKYRELU -> AVGPOOL

    model.add(Convolution2D(512, (3,3), padding='same'))

    model.add(LeakyReLU(alpha=0.1))

    model.add(BatchNormalization(axis=chanDim))

    model.add(AveragePooling2D(pool_size=(3,3)))

    model.add(Dropout(0.25))

    

    # layer 5 : FLATTEN -> DENSE -> RELU

    model.add(Flatten())

    model.add(Dense(1024))

    model.add(Activation('relu'))

    model.add(BatchNormalization())

    model.add(Dropout(0.25))

    

    # DENSE -> DENSE -> RELU

    model.add(Dense(512))

    model.add(Activation('relu'))

    model.add(BatchNormalization())

    model.add(Dropout(0.25))

    

    # SIGMOID , SOFTMAX-> just to check the accuracy with this (softmax would work too)

    model.add(Dense(classes))

    model.add(Activation('sigmoid'))

    

    return model

# %%

model = build(img_size, img_size, 3, 2)

# %%

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

model.summary()

# %%

model.fit(

    x_train,

    y_train_labels,

    batch_size=30,

    shuffle=True,

    epochs=50,

    validation_split=0.2

)