【365天深度学习训练营】第二周 彩色图片分类

• 本文为365天深度学习训练营 内部限免文章（版权归 K同学啊 所有）
• 参考文章地址： 第二周：彩色图片分类 | 365天深度学习训练营
• 作者：K同学啊 | 接辅导、程序定制

我的环境：

• 语言环境：Python3.6.8
• 编译器：jupyter notebook
• 深度学习环境：TensorFlow2.1

一、前期工作

1. 设置 GPU

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU") # 获得当前主机上某种特定运算设备类型（如 GPU 或 CPU）的列表

if gpus:
    gpu0 = gpus[0] # 如果有多个 GPU，仅使用第一个 GPU
    tf.config.experimental.set_memory_growth(gpu0, True) # 设置 GPU 显存用量按需使用
    tf.config.set_visible_devices([gpu0], "GPU") # 设置当前程序可见的设备范围

2. 导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
# 导入 cifar10 数据集，依次分别为训练集图片，训练集标签，测试集图片，测试集标签
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

3. 归一化

数据归一化作用：

• 使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。
• 加快学习算法的收敛速度

# 将像素值标准化至 0 到 1 的区间内(对于灰度图片来说，每个像素最大值是255，每个像素最小值是0，也就是直接除以255就可以完成归一化。)
train_images, test_images = train_images / 255.0, test_images / 255.0
train_images.shape, test_images.shape, train_labels.shape, test_labels.shape

输出
((50000, 32, 32, 3), (10000, 32, 32, 3), (50000, 1), (10000, 1))

4. 可视化图片

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

plt.figure(figsize=(20,10)) # 指定 figure 的宽和高
for i in range(20):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

二、构建 CNN 网络

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), #卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3
    
    layers.Flatten(),                      #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取
    layers.Dense(10)                       #输出层，输出预期结果
])

model.summary()  # 打印网络结构

三、编译模型

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

四、训练模型

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

五、预测

plt.imshow(test_images[1])

import numpy as np

pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])

ship

六、模型评估

import matplotlib.pyplot as plt

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print(test_acc)

0.6848