這篇文章主要講解了“TensorFlow2的CNN圖像分類方法是什么”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來(lái)研究和學(xué)習(xí)“TensorFlow2的CNN圖像分類方法是什么”吧！

我們提供的服務(wù)有：網(wǎng)站建設(shè)、成都網(wǎng)站設(shè)計(jì)、微信公眾號(hào)開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認(rèn)證、涼山州ssl等。為近千家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學(xué)管理、有技術(shù)的涼山州網(wǎng)站制作公司

　　1. 導(dǎo)包

　　import matplotlib.pyplot as plt

　　import numpy as np

　　import pandas as pd

　　import tensorflow as tf

　　from sklearn.preprocessing import StandardScaler

　　from sklearn.model_selection import train_test_split

　　2. 圖像分類 fashion_mnist

　　數(shù)據(jù)處理

　　# 原始數(shù)據(jù)

　　(X_train_all, y_train_all),(X_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()

　　# 訓(xùn)練集、驗(yàn)證集拆分

　　X_train, X_valid, y_train, y_valid = train_test_split(X_train_all, y_train_all, test_size=0.25)

　　# 數(shù)據(jù)標(biāo)準(zhǔn)化，你也可以用除以255的方式實(shí)現(xiàn)歸一化

　　# 注意最后reshape中的1，代表圖像只有一個(gè)channel，即當(dāng)前圖像是灰度圖

　　scaler = StandardScaler()

　　X_train_scaled = scaler.fit_transform(X_train.reshape(-1, 28 * 28)).reshape(-1, 28, 28, 1)

　　X_valid_scaled = scaler.transform(X_valid.reshape(-1, 28 * 28)).reshape(-1, 28, 28, 1)

　　X_test_scaled = scaler.transform(X_test.reshape(-1, 28 * 28)).reshape(-1, 28, 28, 1)

　　構(gòu)建CNN模型

　　model = tf.keras.models.Sequential()

　　# 多個(gè)卷積層

　　model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=[5, 5], padding="same", activation="relu", input_shape=(28, 28, 1)))

　　model.add(tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2))

　　model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=[5, 5], padding="same", activation="relu"))

　　model.add(tf.keras.layers.MaxPool2D(pool_size=[2, 2], strides=2))

　　# 將前面卷積層得出的多維數(shù)據(jù)轉(zhuǎn)為一維

　　# 7和前面的kernel_size、padding、MaxPool2D有關(guān)

　　# Conv2D: 28*28 -> 28*28 (因?yàn)閜adding="same")

　　# MaxPool2D: 28*28 -> 14*14

　　# Conv2D: 14*14 -> 14*14 (因?yàn)閜adding="same")

　　# MaxPool2D: 14*14 -> 7*7

　　model.add(tf.keras.layers.Reshape(target_shape=(7 * 7 * 64,)))

　　# 傳入全連接層

　　model.add(tf.keras.layers.Dense(1024, activation="relu"))

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

　　# compile

　　model.compile(loss = "sparse_categorical_crossentropy",

　　optimizer = "sgd",

　　metrics = ["accuracy"])

　　模型訓(xùn)練

　　callbacks = [

　　tf.keras.callbacks.EarlyStopping(min_delta=1e-3, patience=5)

　　]

　　history = model.fit(X_train_scaled, y_train, epochs=15,

　　validation_data=(X_valid_scaled, y_valid),

　　callbacks = callbacks)

　　Train on 50000 samples, validate on 10000 samples

　　Epoch 1/15

　　50000/50000 [==============================] - 17s 343us/sample - loss: 0.5707 - accuracy: 0.7965 - val_loss: 0.4631 - val_accuracy: 0.8323

　　Epoch 2/15

　　50000/50000 [==============================] - 13s 259us/sample - loss: 0.3728 - accuracy: 0.8669 - val_loss: 0.3573 - val_accuracy: 0.8738

　　...

　　Epoch 13/15

　　50000/50000 [==============================] - 12s 244us/sample - loss: 0.1625 - accuracy: 0.9407 - val_loss: 0.2489 - val_accuracy: 0.9112

　　Epoch 14/15

　　50000/50000 [==============================] - 12s 240us/sample - loss: 0.1522 - accuracy: 0.9451 - val_loss: 0.2584 - val_accuracy: 0.9104

　　Epoch 15/15

　　50000/50000 [==============================] - 12s 237us/sample - loss: 0.1424 - accuracy: 0.9500 - val_loss: 0.2521 - val_accuracy: 0.9114

　　作圖

　　def plot_learning_curves(history):

　　pd.DataFrame(history.history).plot(figsize=(8, 5))

　　plt.grid(True)

　　#plt.gca().set_ylim(0, 1)

　　plt.show()

　　plot_learning_curves(history)

　　測(cè)試集評(píng)估準(zhǔn)確率

　　model.evaluate(X_test_scaled, y_test)

　　[0.269884311157465, 0.9071]

　　可以看到使用CNN后，圖像分類的準(zhǔn)確率明顯提升了。之前的模型是0.8747，現(xiàn)在是0.9071。

　　3. 圖像分類 Dogs vs. Cats

　　3.1 原始數(shù)據(jù)

　　原始數(shù)據(jù)下載

　　Kaggle: /tupian/20230522/pp　　百度網(wǎng)盤: /tupian/20230522/init 提取碼 dmp4

　　讀取一張圖片，并展示

　　image_string = tf.io.read_file("C:/Users/Skey/Downloads/datasets/cat_vs_dog/train/cat.28.jpg")

　　image_decoded = tf.image.decode_jpeg(image_string)

　　plt.imshow(image_decoded)

　　3.2 利用Dataset加載圖片

　　由于原始圖片過多，我們不能將所有圖片一次加載入內(nèi)存。Tensorflow為我們提供了便利的Dataset API，可以從硬盤中一批一批的加載數(shù)據(jù)，以用于訓(xùn)練。

　　處理本地圖片路徑與標(biāo)簽

　　# 訓(xùn)練數(shù)據(jù)的路徑

　　train_dir = "C:/Users/Skey/Downloads/datasets/cat_vs_dog/train/"

　　train_filenames = [] # 所有圖片的文件名

　　train_labels = [] # 所有圖片的標(biāo)簽

　　for filename in os.listdir(train_dir):

　　train_filenames.append(train_dir + filename)

　　if (filename.startswith("cat")):

　　train_labels.append(0) # 將cat標(biāo)記為0

　　else:

　　train_labels.append(1) # 將dog標(biāo)記為1

　　# 數(shù)據(jù)隨機(jī)拆分鄭州人流哪家醫(yī)院做的好 http://www.csyhjlyy.com/

　　X_train, X_valid, y_train, y_valid = train_test_split(train_filenames, train_labels, test_size=0.2)

　　定義一個(gè)解碼圖片的方法

　　def _decode_and_resize(filename, label):

　　image_string = tf.io.read_file(filename) # 讀取圖片

　　image_decoded = tf.image.decode_jpeg(image_string) # 解碼

　　image_resized = tf.image.resize(image_decoded, [256, 256]) / 255.0 # 重置size，并歸一化

　　return image_resized, label

　　定義 Dataset，用于加載圖片數(shù)據(jù)

　　# 訓(xùn)練集

　　train_dataset = tf.data.Dataset.from_tensor_slices((train_filenames, train_labels))

　　train_dataset = train_dataset.map(

　　map_func=_decode_and_resize, # 調(diào)用前面定義的方法，解析filename，轉(zhuǎn)為特征和標(biāo)簽

　　num_parallel_calls=tf.data.experimental.AUTOTUNE)

　　train_dataset = train_dataset.shuffle(buffer_size=128) # 設(shè)置緩沖區(qū)大小

　　train_dataset = train_dataset.batch(32) # 每批數(shù)據(jù)的量

　　train_dataset = train_dataset.prefetch(tf.data.experimental.AUTOTUNE) # 啟動(dòng)預(yù)加載圖片，也就是說(shuō)CPU會(huì)提前從磁盤加載數(shù)據(jù)，不用等上一次訓(xùn)練完后再加載

　　# 驗(yàn)證集

　　valid_dataset = tf.data.Dataset.from_tensor_slices((valid_filenames, valid_labels))

　　valid_dataset = valid_dataset.map(

　　map_func=_decode_and_resize,

　　num_parallel_calls=tf.data.experimental.AUTOTUNE)

　　valid_dataset = valid_dataset.batch(32)

　　3.3 構(gòu)建CNN模型，并訓(xùn)練

　　構(gòu)建模型與編譯

　　model = tf.keras.Sequential([

　　# 卷積，32個(gè)filter(卷積核)，每個(gè)大小為3*3，步長(zhǎng)為1

　　tf.keras.layers.Conv2D(32, 3, activation='relu', input_shape=(256, 256, 3)),

　　# 池化，默認(rèn)大小2*2，步長(zhǎng)為2

　　tf.keras.layers.MaxPooling2D(),

　　tf.keras.layers.Conv2D(32, 5, activation='relu'),

　　tf.keras.layers.MaxPooling2D(),

　　tf.keras.layers.Flatten(),

　　tf.keras.layers.Dense(64, activation='relu'),

　　tf.keras.layers.Dense(2, activation='softmax')

　　])

　　model.compile(

　　optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),

　　loss=tf.keras.losses.sparse_categorical_crossentropy,

　　metrics=[tf.keras.metrics.sparse_categorical_accuracy]

　　)

　　模型總覽

　　model.summary()

　　Model: "sequential_1"

　　_________________________________________________________________

　　Layer (type) Output Shape Param #

　　=================================================================

　　conv2d_2 (Conv2D) (None, 254, 254, 32) 896

　　_________________________________________________________________

　　max_pooling2d_2 (MaxPooling2 (None, 127, 127, 32) 0

　　_________________________________________________________________

　　conv2d_3 (Conv2D) (None, 123, 123, 32) 25632

　　_________________________________________________________________

　　max_pooling2d_3 (MaxPooling2 (None, 61, 61, 32) 0

　　_________________________________________________________________

　　flatten_1 (Flatten) (None, 119072) 0

　　_________________________________________________________________

　　dense_2 (Dense) (None, 64) 7620672

　　_________________________________________________________________

　　dense_3 (Dense) (None, 2) 130

　　=================================================================

　　Total params: 7,647,330

　　Trainable params: 7,647,330

　　Non-trainable params: 0

　　開始訓(xùn)練

　　model.fit(train_dataset, epochs=10, validation_data=valid_dataset)

　　由于數(shù)據(jù)量大，此處訓(xùn)練時(shí)間較久

　　需要注意的是此處打印的step，每個(gè)step指的是一個(gè)batch(例如32個(gè)樣本一個(gè)batch)

　　模型評(píng)估

　　test_dataset = tf.data.Dataset.from_tensor_slices((valid_filenames, valid_labels))

　　test_dataset = test_dataset.map(_decode_and_resize)

　　test_dataset = test_dataset.batch(32)

　　print(model.metrics_names)

　　print(model.evaluate(test_dataset))

感謝各位的閱讀，以上就是“TensorFlow2的CNN圖像分類方法是什么”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)TensorFlow2的CNN圖像分類方法是什么這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！

新聞名稱：TensorFlow2的CNN圖像分類方法是什么-創(chuàng)新互聯(lián)
文章出自：http://jinyejixie.com/article0/dieoio.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供做網(wǎng)站、網(wǎng)站策劃、移動(dòng)網(wǎng)站建設(shè)、App開發(fā)、網(wǎng)站改版、營(yíng)銷型網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)