项目源码百度云

项目源码百度云链接：https://pan.baidu.com/s/1aWLeh4Kaft7NPlB0GxBZMg
提取码：vjhu

里面项目名字没改，VGG16因为是改造的，名字也没好好取，能用就行。。

model	储存模型文件，为了方便下载，已经删除了，可以自己训练
logs	存放日志文件，已经删除，本文后续有图片展示tensorboard日志
data	数据文件格式如上右图，test1和train2为原始图片，test和train为处理后图片，统一为448×32大小，用于网络训练。每个下有lh1、lh2等为类别，每个类别下分别存放了图片注：test/lh1,test1/lh1,train/lh1,train2/lh1下各有一张图片供参考，数据就不大量泄漏了，其余文件为空
VGG16_RAW.py	VGG16模型源文件
VGG16_mini2.py	改造的小型CNN模型，训练出来模型大概7M左右
tf009_predition.py	预测文件
tf009.py	训练文件
image_pre_deal.py	图像预处理文件，将原始图片转为统一大小格式的图片
calculate_mean.py	计算图片平均值的文件，用于后续减均值处理

tensorboard可视化展示

tensorboard:（不要在意波折的细节，只要看清准确率，损失值数值就行了，采用的Mini-batch的迭代方式，这次训练有点乱）

模型：

源代码

tf009.py源码，训练主文件：（写的迁移学习不要介意，懒得改了。。）

'''
VGG16迁移学习训练主函数
tensorboard --logdir=D:\python\vgg16\logs'''import tensorflow as tf
import os
os.environ["CUDA_VISIBLE_DEVICES"]="-1"  # 由于出现显卡内存不足问题，所以。。。
import numpy as np
from time import time
import vgg16.VGG16_mini2 as modeldef get_batch(image_list,label_list,img_width,img_height,batch_size,capacity):#通过读取列表来载入批量图片及标签image = tf.cast(image_list,tf.string)label = tf.cast(label_list,tf.int32)input_queue = tf.train.slice_input_producer([image,label],shuffle=True)label = input_queue[1]image_contents = tf.read_file(input_queue[0])image = tf.image.decode_jpeg(image_contents,channels=3)image = tf.cast(image,tf.float32)image -= [42.79902,42.79902,42.79902] # 减均值# image = preprocess_for_train(image,img_height,img_width)image.set_shape((img_height,img_width,3))image_batch,label_batch = tf.train.batch([image,label],batch_size=batch_size,num_threads=64,capacity=capacity)label_batch = tf.reshape(label_batch,[batch_size])return image_batch,label_batchdef get_file(file_dir):images = []for root,sub_folders,files in os.walk(file_dir):for name in files:images.append(os.path.join(root,name))labels = []for label_name in images:letter = label_name.split("\\")[-2]if letter =="lh1":labels.append(0)elif letter =="lh2":labels.append(1)elif letter == "lh3":labels.append(2)elif letter == "lh4":labels.append(3)elif letter == "lh5":labels.append(4)elif letter == "lh6":labels.append(5)elif letter == "lh7":labels.append(6)print("check for get_file:",images[0],"label is ",labels[0])#shuffletemp = np.array([images,labels])temp = temp.transpose()np.random.shuffle(temp)image_list = list(temp[:,0])label_list = list(temp[:,1])label_list = [int(float(i)) for i in label_list]return image_list,label_list#标签格式重构
def onehot(labels):n_sample = len(labels)n_class = 7  # max(labels) + 1onehot_labels = np.zeros((n_sample,n_class))onehot_labels[np.arange(n_sample),labels] = 1return onehot_labelsif __name__ == '__main__':startTime =time()batch_size = 8record_epoch = 70000/batch_sizesmall_loop = int(7000/batch_size)capacity = 256  # 内存中存储的最大数据容量pic_height,pic_width = 32,448   # 修改图片大小参数，应当为32的倍数！不然会导致错误xs,ys = get_file('./data/train')#获取图像列表与标签列表image_batch,label_batch = get_batch(xs,ys,img_width=pic_width,img_height=pic_height,batch_size=batch_size,capacity=capacity)# 验证集xs_val,ys_val = get_file('./data/test')#获取图像列表与标签列表image_val_batch,label_val_batch = get_batch(xs_val,ys_val,img_width=pic_width,img_height=pic_height,batch_size=455,capacity=capacity)x = tf.placeholder(tf.float32,[None,pic_height,pic_width,3])y = tf.placeholder(tf.int32,[None,7])#7分类vgg = model.vgg16(x)fc8_fineuining = vgg.probs #即softmax(fc8)prediction_out = tf.argmax(fc8_fineuining,1)real_out = tf.argmax(y,1)correct_prediction = tf.equal(prediction_out,real_out)#检查预测类与实际类别是否匹配accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#准确率loss_function = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=fc8_fineuining,labels=y))#损失函数optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss_function)sess = tf.Session()sess.run(tf.global_variables_initializer())# vgg.load_weights('vgg16_weights.npz',sess)saver = tf.train.Saver()# # 断点续训# ckpt_dir = "./model/"# ckpt = tf.train.latest_checkpoint(ckpt_dir)# if ckpt != None:#     saver.restore(sess, ckpt)#     print('saver restore finish')# else:#     print("training from scratch")#启动线程coord = tf.train.Coordinator()#使用协调器管理线程threads = tf.train.start_queue_runners(coord=coord,sess=sess)# 日志记录summary_writer = tf.summary.FileWriter('./logs/', graph=sess.graph, flush_secs=15)summary_writer2 = tf.summary.FileWriter('./logs/plot2/', flush_secs=15)tf.summary.scalar(name='loss_func', tensor=loss_function)tf.summary.scalar(name='accuracy', tensor=accuracy)merged_summary_op = tf.summary.merge_all()epoch_start_time = time()# 采用Mini-batch迭代step = 0epoch = 10000for i in range(epoch):for j in range(small_loop):images,labels = sess.run([image_batch,label_batch])labels = onehot(labels)# # 可视化# plt.subplot(221)# plt.imshow(images[0, :, :, 0])# plt.show()# print(1)sess.run(optimizer,feed_dict={x:images,y:labels})merged_summary,loss,real_train_out = sess.run([merged_summary_op,loss_function,real_out],feed_dict={x:images,y:labels})summary_writer.add_summary(merged_summary, global_step=step)# print(i,j,"to see train data:",real_train_out[:10])step += 1images_val, labels_val = sess.run([image_val_batch, label_val_batch])labels_val = onehot(labels_val)merged_summary_val, loss_val,accuracy_val,prediction_val_out,real_val_out = sess.run([merged_summary_op, loss_function,accuracy,prediction_out,real_out], feed_dict={x: images_val, y: labels_val})summary_writer2.add_summary(merged_summary_val, global_step=step)# 输出每个类别正确率lh1_right, lh2_right, lh3_right, lh4_right, lh5_right, lh6_right, lh7_right = 0, 0, 0, 0, 0, 0, 0lh1_wrong, lh2_wrong, lh3_wrong, lh4_wrong, lh5_wrong, lh6_wrong, lh7_wrong = 0, 0, 0, 0, 0, 0, 0for ii in range(len(prediction_val_out)):if prediction_val_out[ii] == real_val_out[ii]:if real_val_out[ii] == 0:lh1_right+=1elif real_val_out[ii] == 1:lh2_right+=1elif real_val_out[ii] == 2:lh3_right += 1elif real_val_out[ii] == 3:lh4_right += 1elif real_val_out[ii] == 4:lh5_right += 1elif real_val_out[ii] == 5:lh6_right += 1elif real_val_out[ii] == 6:lh7_right += 1else:if real_val_out[ii] == 0:lh1_wrong+=1elif real_val_out[ii] == 1:lh2_wrong+=1elif real_val_out[ii] == 2:lh3_wrong += 1elif real_val_out[ii] == 3:lh4_wrong += 1elif real_val_out[ii] == 4:lh5_wrong += 1elif real_val_out[ii] == 5:lh6_wrong += 1elif real_val_out[ii] == 6:lh7_wrong += 1print(i,"correct rate :",((lh1_right)/(lh1_right+lh1_wrong)),((lh2_right)/(lh2_right+lh2_wrong)),((lh3_right)/(lh3_right+lh3_wrong)),((lh4_right)/(lh4_right+lh4_wrong)),((lh5_right)/(lh5_right+lh5_wrong)),((lh6_right)/(lh6_right+lh6_wrong)),((lh7_right)/(lh7_right+lh7_wrong)))# print(i,"nums:",((lh1_right+lh1_wrong)),(lh2_right+lh2_wrong),((lh3_right+lh3_wrong)),((lh4_right+lh4_wrong)),(lh5_right+lh5_wrong),((lh6_right+lh6_wrong)),((lh7_right+lh7_wrong)))print(i,"epoch's accuracy:",accuracy_val)print(i," loss is %f"%loss,"val loss is %f"%loss_val)epoch_end_time =time()print(i," epoch takes:",(epoch_end_time-epoch_start_time))epoch_start_time = epoch_end_timeif i % 1 == 0 and i != 0:saver.save(sess,os.path.join("./model/",'epoch{:06d}.ckpt'.format(i)))print("------------model saved")# print("-------------Epoch %d is finished"%i)summary_writer.close()saver.save(sess,"./model/")print("optimization finished")duration = time() - startTimeprint("train takes:","{:.2f}".format(duration))coord.request_stop()#通知线程关闭coord.join(threads)#等其他线程关闭这一函数才返回

CNN图像分类（实际项目，特殊训练集，95%准确率，数据代码百度云）相关推荐

训练集山准确率高测试集上准确率很低_推荐算法改版前的AB测试
编辑导语:所谓推荐算法就是利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西:如今很多软件都有这样的操作,对于此系统的设计也会进行测试:本文作者分享了关于推荐算法改版前的AB测试,我们一起 ...
训练集山准确率高测试集上准确率很低_拒绝DNN过拟合，谷歌准确预测训练集与测试集泛化差异，还开源了数据集 | ICLR 2019...
鱼羊发自凹非寺量子位报道 | 公众号 QbitAI 深度神经网络(DNN)如今已经无处不在,从下围棋到打星际,DNN已经渗透到图像识别.图像分割.机器翻译等各种领域,并且总是表现惊艳. 然而, ...
keras训练模型，训练集的准确率很高，但是测试集准确率很低的原因
今天在测试模型时发现一个问题,keras训练模型,训练集准确率很高,测试集准确率很低,因此记录一下希望能帮助大家也避坑: 首先keras本身不同的版本都有些不同的或大或小的bug,包括之前也困扰过我的 ...
java点击车次显示详情_Web项目专项训练——火车车次信息管理系统代码分享
题目:火车车次信息管理一.语言和环境 A.实现语言 Java B.环境要求 JDK1.7.Eclipse.Tomcat7.*.mysql 二.功能要求使用JSP+Servlet实现火车车次信息管理 ...
Web项目专项训练——火车车次信息管理系统代码分享
题目:火车车次信息管理一.语言和环境 A.实现语言 Java B.环境要求 JDK1.7.Eclipse.Tomcat7.*.mysql 二.功能要求使用JSP+Servlet实现火车车次信息管理 ...
中国工业经济论文合集-含全部数据代码（2015-2021年）
1. 数据来源:自主制作(约8.6G) 2. 指标说明: <中国工业经济>创办于1984年,由中国社会科学院主管.中国社会科学院工业经济研究所主办,是中国产业经济.企业管理领域的权威学术期 ...
Python批量处理表格有用吗_python批量读入图片、处理并批量输出（可用于深度学习训练集的制作）...
最近工作实在是太忙了,白浪花的项目没有及时跟进,很多知识也没有自学.好了,趁着现在等领导回复微信的时间,我把上周趁着零散时间做的工作总结一下.内容依然小白,但是却很重要. 项目情况简单描述一下,最终要 ...
什么是训练集、验证集和测试集？
在机器学习中,训练集.验证集和测试集是数据集的三个重要部分,用于训练.评估和测试机器学习模型的性能.它们的定义和作用如下: 什么是训练集.验证集和测试集? 训练集:训练集是机器学习模型用于训练和学习的 ...
一文看懂 AI 训练集、验证集、测试集（附：分割方法+交叉验证）
2019-12-20 20:01:00 数据在人工智能技术里是非常重要的!本篇文章将详细给大家介绍3种数据集:训练集.验证集.测试集. 同时还会介绍如何更合理的讲数据划分为3种数据集.最后给大家介绍一 ...

CNN图像分类（实际项目，特殊训练集，95%准确率，数据代码百度云）

项目源码百度云

tensorboard可视化展示

源代码

CNN图像分类（实际项目，特殊训练集，95%准确率，数据代码百度云）相关推荐

最新文章

热门文章