9.训练自己的数据集(2)：卷积神经网络之花卉分类

本文接上一篇：8.训练自己的数据集(1)：TFRecords编写与读取，文件是共享的，不再赘述。

1.先看看训练集与测试集大小：

import tensorflow as tf
import os
import numpy as np
from PIL import Image#查看tfrecords中数据集的大小
def total_sample(tfrecord_name):sample_nums = 0for record in tf.python_io.tf_record_iterator(tfrecord_name):sample_nums += 1return  sample_nums
train_total = total_sample('train.tfrecords')
test_total = total_sample('test.tfrecords')
print(train_total)
print(test_total)

注意，数据集大小在后面是有用的，test_total与train_total都有用。

2.定义相关参数

#定义相关参数
#图片的尺寸
WITH = 40
HEIGHT = 40
#图片总共由3类，用于one_hot标签
classes_num = 3
#每批次训练图片数量
batch_size = 300
#将所有图片训练一轮所需要的总的训练次数
total_batch = int(train_total/batch_size)
#总共循环训练轮数
train_epochs = 50
#定义初始学习率
learning_rate = 0.005

3.构建模型并训练测试

os.environ["CUDA_VISIBLE_DEVICES"] = "0，1"#读取tfrecords中数据方法
def read_tfrecords(tfrecord_name,batch_size):#将tfrecords读入流中,乱序操作并循环读取filename_queue = tf.train.string_input_producer([tfrecord_name]) reader = tf.TFRecordReader()#返回文件名和文件_, serialized_example = reader.read(filename_queue)#取出文件中包含image和label的feature对象features = tf.parse_single_example(serialized_example,features={'label': tf.FixedLenFeature([], tf.int64),'img_raw' : tf.FixedLenFeature([], tf.string),})#将字符串解析成图像对应的像素数组image = tf.decode_raw(features['img_raw'], tf.uint8)#改变像素数组的大小，彩图是3通道的image = tf.reshape(image, [WITH, HEIGHT, 3])#将像素数组归一化image = tf.cast(image,tf.float32)*(1./255)-0.5#读取标签label = tf.cast(features['label'], tf.int32)#将标签制成one_hotlabel = tf.one_hot(label,depth=classes_num,on_value=1)#按批次大小乱序读取数据x_batch, y_batch = tf.train.shuffle_batch([image,label], batch_size=batch_size, num_threads=1, capacity=30*batch_size,min_after_dequeue=15*batch_size)return x_batch,y_batch#获取训练集数据
xs_train,ys_train = read_tfrecords('train.tfrecords',batch_size)
#获取测试集数据
xs_test,ys_test = read_tfrecords('test.tfrecords',test_total)#定义图片和标签的占位符
#None 表示张量的第一维度可以接受任意长度,3表示图片通道数
x = tf.placeholder(tf.float32,shape = [None,WITH,HEIGHT,3])
#None 表示张量的第一维度可以接受任意长度,class_num表示标签类别个数
y = tf.placeholder(tf.float32,shape = [None,classes_num])
keep_prob  = tf.placeholder(tf.float32)#定义权重及偏置值变量
W1 = tf.Variable(tf.random_normal(([int(WITH/4)*int(HEIGHT/4)*256,1024])))
b1 = tf.Variable(tf.constant(0.1,shape=[1024]))
W2 = tf.Variable(tf.random_normal(([1024,classes_num])))
b2 = tf.Variable(tf.constant(0.1,shape=[classes_num]))#定义隐藏层
def hidden_layer(inputs):#要用激活函数return tf.nn.relu(tf.matmul(inputs,W1)+b1)#定义权重方法：
def get_filter(shape):return tf.Variable(tf.truncated_normal(shape,stddev=0.1))#定义偏置值方法：
def get_bias(shape):return tf.Variable(tf.constant(0.1,shape=shape))w_con1 = get_filter([5,5,3,128])
b_con1 = get_bias([128])
w_con2 = get_filter([5,5,128,256])
b_con2 = get_bias([256])#第一层卷积输出,输出大小为 batch_size * WITH * HEIGHT * 15：
h_conv1 = tf.nn.conv2d(x,filter=w_con1,strides=[1,1,1,1],padding='SAME')+b_con1
#激活函数：
h1 = tf.nn.relu(h_conv1)
#第一层池化输出，输出大小为 batch_size * (WITH/2) *(HEIGHT/2) * 15：
h_pool1 = tf.nn.max_pool(h1,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
#第二层卷积输出,输出大小为 batch_size * (WITH/2) *(HEIGHT/2) * 30：
h_conv2 = tf.nn.conv2d(h_pool1,filter=w_con2,strides=[1,1,1,1],padding='SAME')+b_con2
#激活函数：
h2 = tf.nn.relu(h_conv2)
#第一层池化输出，输出大小为 batch_size * (WITH/4) *(HEIGHT/4) * 30：
h_pool2 = tf.nn.max_pool(h2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#将池化后的输出改变下尺寸，
h_reshape = tf.reshape(h_pool2,[-1,int(WITH/4)*int(HEIGHT/4)*256])#隐藏层输出,并使用dropout
h3 = hidden_layer(h_reshape)h_drop1 = tf.nn.dropout(h3,keep_prob)#预测值，这里不用激活函数，因为等下要用tensorflow定义好的softmax交叉熵函数
pred = tf.matmul(h_drop1,W2) + b2#定义交叉熵
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=pred,labels=y)#定义总的损失函数
loss = tf.reduce_mean(cross_entropy)#定义优化器
opt = tf.train.AdamOptimizer(learning_rate).minimize(loss)#以下是测试模型
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
#准确率：
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))with tf.Session() as sess: #必写内容sess.run(tf.global_variables_initializer())coord=tf.train.Coordinator()threads= tf.train.start_queue_runners(coord=coord)#开始训练print("以下是训练模型每轮训练误差：")for epoch in range(train_epochs):#定义平均loss值avg_loss = 0.#循环所有数据for i in range(total_batch):#获取批次训练数据batch_xs,batch_ys = sess.run([xs_train,ys_train])_,c,acc = sess.run([opt,loss,accuracy],feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.8})#平均lossavg_loss += c / total_batch#显示每轮的结果print('Epoch:',epoch+1,',     loss:','{:.9f}'.format(avg_loss),',     accuracy:','{:.5f}'.format(acc))print("\n训练模型结束，以下是测试模型准确率：")#获取测试数据test_xs,test_ys = sess.run([xs_test,ys_test])acc = sess.run(accuracy,feed_dict={x:test_xs,y:test_ys,keep_prob:1.0})print('Accuracy:',acc)#必写内容coord.request_stop()coord.join(threads)

总共训练了50轮，测试正确率57%，很多参数需要调整(比如增加训练次数，添加卷积池化层，改变图片尺寸大小等)。

9.训练自己的数据集(2)：卷积神经网络之花卉分类相关推荐

CNN卷积神经网络：花卉分类
文章目录简介一.CNN卷积神经网络基础知识二.数据集介绍三.代码实现读取数据数据处理搭建网络训练网络测试网络保存网络结果展示总结简介本篇文章利用pytorch搭建CNN卷积 ...
基于卷积神经网络的高光谱分类 CNN+高光谱+印度松数据集
基于卷积神经网络的高光谱分类一.研究现状只考虑到高光谱图像的光谱特征,即: 1.提取特征(小波变换.Gabor纹理分析.形态学剖面) 2.利用分类方法分类(支持向量机.决策树.随机森林.神经网络) ...
cnn 预测过程代码_代码实践 | CNN卷积神经网络之文本分类
学习目录阿力阿哩哩:深度学习 | 学习目录zhuanlan.zhihu.com 前面我们介绍了:阿力阿哩哩:一文掌握CNN卷积神经网络zhuanlan.zhihu.com阿力阿哩哩:代码实践|全连 ...
毕设深度学习卷积神经网络的花卉识别
文章目录 0 前言 1 项目背景 2 花卉识别的基本原理 3 算法实现 3.1 预处理 3.2 特征提取和选择 3.3 分类器设计和决策 3.4 卷积神经网络基本原理 4 算法实现 4.1 花卉图像数 ...
卷积神经网络在句子分类上的应用[翻译]
最近翻译几篇paper,也算逼着自己多看看文章.对于一些概念的理解不够透彻可能导致翻译不准确,以及某些术语实在也是找不到合适的中文词,可能会有些别扭或索性没翻.大家将就着看.哪位大神看到了,如有不足还 ...
基于卷积神经网络的句子分类模型【经典卷积分类附源码链接】
https://www.toutiao.com/a6680124799831769603/ 基于卷积神经网络的句子分类模型题目: Convolutional Neural Networks for ...
论文阅读：Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类
Convolutional Neural Networks for Sentence Classification 卷积神经网络的句子分类目录 Convolutional Neural Networ ...
毕业设计 - 题目：基于深度学习卷积神经网络的花卉识别 - 深度学习机器视觉
文章目录 0 前言 1 项目背景 2 花卉识别的基本原理 3 算法实现 3.1 预处理 3.2 特征提取和选择 3.3 分类器设计和决策 3.4 卷积神经网络基本原理 4 算法实现 4.1 花卉图像数 ...
毕业设计 - 基于卷积神经网络的乳腺癌分类深度学习医学图像
文章目录 1 前言 2 前言 3 数据集 3.1 良性样本 3.2 病变样本 4 开发环境 5 代码实现 5.1 实现流程 5.2 部分代码实现 5.2.1 导入库 5.2.2 图像加载 5.2.3 ...

9.训练自己的数据集(2)：卷积神经网络之花卉分类

1.先看看训练集与测试集大小：

2.定义相关参数

3.构建模型并训练测试

9.训练自己的数据集(2)：卷积神经网络之花卉分类相关推荐

最新文章

热门文章