CIFAR-10图像识别TensorFlow 2 实现

1、下载数据集

CIFAR-10是一个用于识别普适物 体的小型数据集，它包含了10个类 别的RGB彩色图片

import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, models
import numpy as np

cifar10=tf.keras.datasets.cifar10
(Xtrain, Ytrain), (Xtest, Ytest) = cifar10.load_data()

2、数据预处理

Xtrain_normalize=Xtrain.astype("float32")/255.0
Xtest_normalize=Xtrain.astype("float32")/255.0

Ytrain_ohe=keras.utils.to_categorical(Ytrain)
Ytest_ohe=keras.utils.to_categorical(Ytest)

3、建立卷神经网络CNN模型

图像的特征提取：通过卷积层1，降采样层1，卷积层2以及降采样层2的处理，提取图像的特征

全连接神经网络：全连接层、输出层所组成的网络结构

model = tf.keras.models.Sequential()

model.add(layers.Conv2D(filters=32, 
                        kernel_size=(3, 3), 
                        input_shape=(32, 32, 3),
                        activation='relu',
                        padding='same'))


model.add(tf.keras.layers.Dropout(rate=0.3))

model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))

model.add(tf.keras.layers.Conv2D(filters=64, 
                                  kernel_size=(3, 3), 
                                  activation= 'relu',
                                  padding='same'))


model.add(tf.keras.layers.Dropout(rate=0.3))

model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))

model.add(tf.keras.layers.Flatten())

model.add(tf.keras.layers.Dense(10,activation='softmax'))
          

4、模型摘要

model.summary()

5、设置模型训练超参数

train_epochs=5
batch_size=100

6、设置模型训练模式

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

7、模型训练

model.fit(Xtrain_normalize,Ytrain_ohe,
                    validation_split = 0.2,
                    epochs = train_epochs,
                    batch_size=batch_size,
                    verbose = 2)

8、评估模型及预测

# 评估模型
test_loss, test_acc = model.evaluate(Xtest_normalize, Ytest_ohe)
print('Test accuracy:', test_acc)

# 进行预测
predictions = model.predict(Xtest_normalize)

# 定义标签字典 每一个数字所代表的图像类别的名称
label_dict = {0:"airplane", 1:"automobile", 2:"bird", 3:"cat", 4:"deer", 
              5:"dog", 6:"frog", 7:"horse", 8:"ship", 9:"truck"}

9、可视化预测结果

# 定义显示图像数据及其对应标签的函数
def plot_images_labels_prediction(images,      # 图像列表
                                  labels,      # 标签列表
                                  prediction,  # 预测值列表
                                  index,       # 从第index个开始显示
                                  num = 5 ):   # 缺省一次显示5幅
    fig = plt.gcf() # 获取当前图表，Get Current Figure
    fig.set_size_inches(12, 6)  # 1英寸等于 2.54 cm
    if num > 10: 
        num = 10            # 最多显示10个子图
    for i in range(0, num):
        ax = plt.subplot(2, 5, i + 1) # 获取当前要处理的子图
        
        ax.imshow(images[index],  # 显示第index个图像
                  cmap = 'binary')
            
        title = str(i) + ',' + label_dict[np.argmax(labels[index])] # 构建该图上要显示的title信息
        if len(prediction) > 0:
            title += ' => ' + label_dict[np.argmax(predictions[index])]
            
        ax.set_title(title,fontsize = 10)   # 显示图上的title信息        
        index += 1 
    plt.show()

plot_images_labels_prediction(Xtest_normalize,
                              Ytest_ohe,
                              predictions,0,10)