手把手教你做图像识别

1.下载数据cifar-10数据集：

import tensorflow as tf
cifar10 = tf.keras.datasets.cifar10
(x_train,y_train),(x_test,y_test) = cifar10.load_data()

2.然后我们查看一下下载的数据：

print('training data shape:',x_train.shape)
print('training labels shape:',y_train.shape)
print('test data shape:',x_test.shape)
print('test labels shape:',y_test.shape)

3.打开其中一张图片看看：

from matplotlib import pyplot as plt
plt.imshow(x_train[8])

4.定义分类数：

#定义数据字典
label_dict = {0:"airplane",1:"automoblie",2:"bird",3:"cat",4:"deer",5:"dog",6:"frog",7:"horse",
             8:"ship",9:"truck"}

5.对图像进行归一化，标准化：

#数据标准化
x_train = x_train.astype('float32')/255.0
x_test = x_test.astype('float32')/255.0

6.初始化一个keras模型：

#建立Sequential线性堆叠模型
model = tf.keras.models.Sequential()

7.建立第一层网络（卷积层+Dropout+maxpooling):

#第一个卷积层
model.add(tf.keras.layers.Conv2D(filters= 32,kernel_size = (3,3),
                                 input_shape = (32,32,3),
                                 activation = 'relu',
                                 padding = 'same'))
#Dropout防止过拟和
model.add(tf.keras.layers.Dropout(rate=0.3))
#第一个池化层
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))

8.第二层网络：

#第二个卷积层
model.add(tf.keras.layers.Conv2D(filters= 64,kernel_size = (3,3),
                                 activation = 'relu',
                                 padding = 'same'))
#Dropout防止过拟和
model.add(tf.keras.layers.Dropout(rate=0.3))
#第一个池化层
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))
#平坦层
model.add(tf.keras.layers.Flatten())
#添加输出层
model.add(tf.keras.layers.Dense(10,activation = 'softmax'))

9.查看一下我们的网络结构：

model.summary()

10.设置训练参数（轮数和训练样本数）：

#设置训练参数
train_epochs = 2 #训练轮数
batch_size = 100 #单次训练样本数（批次大小）

11.设置模型算法（adam优化器+loss损失函数+精确度）

#定义训练模型
model.compile(optimer = 'adam',#优化器
           loss= 'sparse_categorical_crossentropy',#损失函数
            metrics = ['accuracy'])#评估模型的方式

12.开始训练模型：

#训练模型
train_history = model.fit(x_train,y_train,
                         validation_split=0.2,
                         epochs = train_epochs,
                         batch_size = batch_size,
                         verbose = 2)

13.查看模型训练情况：

test_loss,test_acc = model.evaluate(x_test,y_test,verbose=2)
print('Test accuracy:',test_acc)

14.使用训练好的模型进行预测：

#进行预测
preds = model.predict_classes(x_test)

15.查看预测结果：

preds

16.可视化预测结果：

#可视化预测结果
def plot_images_labels_prediction(images,
                                  labels,
                                  preds,
                                  index,
                                  num=5):
    fig = plt.gcf()#获取图表
    fig.set_size_inches(12,6)
    if num>10:
        num=10
    for i in range(0,num):
        ax = plt.subplot(2,5,i+1)
        ax.imshow(images[index])
        title = str(i)+','+label_dict[labels[index][0]]
        if len(preds) >0:
            title += '=>' +label_dict[preds[index]]
            
        ax.set_title(title,fontsize=10)
        index +=1
    plt.show()

 17.查看前10个预测结果：

plot_images_labels_prediction(x_test,y_test,preds,0,10)

 

18.保存模型：

#保存模型
model_filename = 'D:/2/models/cifarCNNModel.h5'
model.save_weights(model_filename)
print("已保存模型权重！")

有用点赞！！