通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类

实验目的

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类。

实验环境

import tensorflow as tfprint(tf.__version__)

output:
2.3.0

实验步骤

（一）数据获取和预处理

1.1 数据选择 TensorFlow 官方提供的花朵图片数据，经如下代码获取：

dataset_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"
img_dir= tf.keras.utils.get_file('flower_photos', origin=dataset_url, untar=True)

1.2 读取图片：这里，我们通过 tf.keras.preprocessing.image_dataset_from_directory 函数批量读入图片。

import pathlib
# 数据保存路径
data_dir = pathlib.Path(data_dir)BATCH_SIZE = 32  # BATCH size 设为32
img_height = 180  # 读取图片后，高度转换为180像素
img_width = 180  # 读取图片后，宽度转换为180像素# 读入images （training data）
train_ds = tf.keras.preprocessing.image_dataset_from_directory(img_dir,shuffle=True, validation_split=0.2, seed=123, subset='training', batch_size=BATCH_SIZE,image_size=(img_height, img_width))# 读入images（test data）
val_ds = tf.keras.preprocessing.image_dataset_from_directory(img_dir, shuffle=True,validation_split=0.2,seed=123,subset='validation',image_size=(img_height, img_width),batch_size=BATCH_SIZE)

1.3 查看训练数据的前9张图片.

plt.figure(figsize=(6, 6))
for imgs, labels in train_ds.take(1):for i in range(9):ax = plt.subplot(3,3,i+1)plt.imshow(imgs[i].numpy().astype("uint8"))plt.title(class_names[labels[i]])plt.axis("off")

（二）通过 tf 的基础类，自定义模型

class Mymodel(tf.keras.Model):def __init__(self):super().__init__()# 定义normalization 层self.normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1.0 / 255)# 定义数据增强层self.aug1 = tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal')self.aug2 = tf.keras.layers.experimental.preprocessing.RandomRotation(0.1)self.aug3 = tf.keras.layers.experimental.preprocessing.RandomZoom(0.1)# 定义cov1self.cov1 = tf.keras.layers.Conv2D(16, (3,3), padding='same', activation='relu', name='cov1')self.pool1 = tf.keras.layers.MaxPool2D(name='pool1')# 定义cov2self.cov2 = tf.keras.layers.Conv2D(32, (3,3), padding='same', activation='relu', name='cov2')self.pool2 = tf.keras.layers.MaxPool2D(name='pool2')# 定义cov3self.cov3 = tf.keras.layers.Conv2D(64, (3,3), padding='same', activation='relu', name='cov3')self.pool3 = tf.keras.layers.MaxPool2D(name='pool3')# 定义 Dropoutself.dropout = tf.keras.layers.Dropout(0.2)# 定义 flattenself.flatten = tf.keras.layers.Flatten()# 定义 Denseself.dense1 = tf.keras.layers.Dense(128, activation='relu', name='dense1')self.dense2 = tf.keras.layers.Dense(5)def call(self, img):# 执行normalizationX = self.normalization_layer(img)# 执行augX = self.aug1(X)X = self.aug2(X)X = self.aug3(X)X = self.cov1(X)X = self.pool1(X)X = self.cov2(X)X = self.pool2(X)X = self.cov3(X)X = self.pool3(X)X = self.flatten(X)X =  self.dense1(X)X = self.dense2(X)return X

（三）定义损失函数

def loss(y_true, y_predict):return tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)(y_true, y_predict)

（四）定义优化函数

optimizer = tf.keras.optimizers.Adam()

（五）定义训练函数

def train_step(batch_inp, batch_targ, model):with tf.GradientTape() as tape:dense_ = model(batch_inp)batch_loss = loss(batch_targ, dense_)gradients = tape.gradient(batch_loss, model.trainable_variables)optimizer.apply_gradients(zip(gradients, model.trainable_variables))return batch_loss

（六）训练模型

# 实例化模型
model = Mymodel()epochs = 50  # 训练50个epoch
els = [] # 存储每个epoch的损失函数，用于后续绘图
for epoch in range(epochs):epoch_loss = 0# 由于我的计算机显存太小，这里每个epoch只取前20个batch进行训练for batch, (inp, targ) in enumerate(train_ds.take(20)):batch_loss = train_step(inp, targ, model)epoch_loss += batch_loss.numpy()print('epoch {}: {:.4f}'.format(epoch, epoch_loss/10))els.append(epoch_loss/10)

训练过程如下：

epoch 0: 0.5867
epoch 1: 0.6709
epoch 2: 0.6393
epoch 3: 0.6831
epoch 4: 0.6870
epoch 5: 0.6461
epoch 6: 0.4888
…

Loss 随训练过程的变化情况：

（七）通过模型进行预测

预测的代码来之 TensorFlow 官方社区。

sunflower_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/592px-Red_sunflower.jpg"
sunflower_path = tf.keras.utils.get_file('Red_sunflower', origin=sunflower_url)img = keras.preprocessing.image.load_img(sunflower_path, target_size=(img_height, img_width)
)
img_array = keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # Create a batchpredictions = model.predict(img_array)
score = tf.nn.softmax(predictions[0])print("This image most likely belongs to {} with a {:.2f} percent confidence.".format(class_names[np.argmax(score)], 100 * np.max(score))
)

图片为：

预测结果：

This image most likely belongs to sunflowers with a 97.69 percent confidence.

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类相关推荐

吴裕雄--天生自然 Tensorflow卷积神经网络：花朵图片识别
import os import numpy as np import matplotlib.pyplot as plt from PIL import Image, ImageChops from ...
tensorflow 图像教程の TF Layers 教程：构建卷积神经网络
文章目录 TF Layers 教程:构建卷积神经网络卷积神经网络的简介构建基于卷积神经网络的 MNIST 分类器输入层第一个卷积层第一个池化层第二个卷积层和池化层全连接层 Logits ...
keras构建卷积神经网络_在python中使用tensorflow s keras api构建卷积神经网络的初学者指南...
keras构建卷积神经网络初学者的深度学习 (DEEP LEARNING FOR BEGINNERS) Welcome to Part 2 of the Neural Network series! ...
TF之CNN：Tensorflow构建卷积神经网络CNN的简介、使用方法、应用之详细攻略
TF之CNN:Tensorflow构建卷积神经网络CNN的简介.使用方法.应用之详细攻略目录 TensorFlow 中的卷积有关函数入门 1.tf.nn.conv2d函数案例应用 1.TF之CNN ...
keras构建卷积神经网络_在Keras中构建，加载和保存卷积神经网络
keras构建卷积神经网络 This article is aimed at people who want to learn or review how to build a basic Convo ...
TensorFlow（7）卷积神经网络实战（1）（可视化）
目录基础理论卷积卷积核与过滤器的区别一.获取数据集二.设定数据集大小.归一化三.构建卷积神经网络四.编译&&训练五.模型评估六.可视化 1.创建plt图 2.获取各卷 ...
PyTorch基础与简单应用：构建卷积神经网络实现MNIST手写数字分类
文章目录 (一) 问题描述 (二) 设计简要描述 (三) 程序清单 (四) 结果分析 (五) 调试报告 (六) 实验小结 (七) 参考资料 (一) 问题描述构建卷积神经网络实现MNIST手写数字分类 ...
keras构建卷积神经网络_通过此简单教程学习在网络上构建卷积神经网络
keras构建卷积神经网络 by John David Chibuk 约翰·大卫·奇布克(John David Chibuk) 通过此简单教程学习在网络上构建卷积神经网络 (Learn to buil ...
tensorflow预定义经典卷积神经网络和数据集tf.keras.applications
自己开发了一个股票软件,功能很强大,需要的点击下面的链接获取: https://www.cnblogs.com/bclshuai/p/11380657.html 1.1 tensorflow预定义经 ...

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类

实验目的

实验环境

实验步骤

（一）数据获取和预处理

（二）通过 tf 的基础类，自定义模型

（三）定义损失函数

（四）定义优化函数

（五）定义训练函数

（六）训练模型

（七）通过模型进行预测

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类相关推荐

最新文章

热门文章

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类

实验目的

实验环境

实验步骤

（一） 数据获取和预处理

（二） 通过 tf 的基础类，自定义模型

（三） 定义损失函数

（四） 定义优化函数

（五） 定义训练函数

（六） 训练模型

（七） 通过模型进行预测

通过 Tensorflow 的基础类，构建卷积神经网络，用于花朵图片的分类相关推荐

最新文章

热门文章

（一）数据获取和预处理

（二）通过 tf 的基础类，自定义模型

（三）定义损失函数

（四）定义优化函数

（五）定义训练函数

（六）训练模型

（七）通过模型进行预测