TensorFlow2的CNN图像分类方法是什么-创新互联

这篇文章主要讲解了“TensorFlow2的CNN图像分类方法是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“TensorFlow2的CNN图像分类方法是什么”吧！

我们提供的服务有：网站建设、成都网站设计、微信公众号开发、网站优化、网站认证、凉山州ssl等。为近千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的凉山州网站制作公司

　　1. 导包

　　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. 图像分类 fashion_mnist

　　数据处理

　　# 原始数据

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

　　# 训练集、验证集拆分

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

　　# 数据标准化，你也可以用除以255的方式实现归一化

　　# 注意最后reshape中的1，代表图像只有一个channel，即当前图像是灰度图

　　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)

　　构建CNN模型

　　model = tf.keras.models.Sequential()

　　# 多个卷积层

　　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))

　　# 将前面卷积层得出的多维数据转为一维

　　# 7和前面的kernel_size、padding、MaxPool2D有关

　　# Conv2D: 28*28 -> 28*28 (因为padding="same")

　　# MaxPool2D: 28*28 -> 14*14

　　# Conv2D: 14*14 -> 14*14 (因为padding="same")

　　# MaxPool2D: 14*14 -> 7*7

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

　　# 传入全连接层

　　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"])

　　模型训练

　　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

　　作图

　　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)

　　测试集评估准确率

　　model.evaluate(X_test_scaled, y_test)

　　[0.269884311157465, 0.9071]

　　可以看到使用CNN后，图像分类的准确率明显提升了。之前的模型是0.8747，现在是0.9071。

　　3. 图像分类 Dogs vs. Cats

　　3.1 原始数据

　　原始数据下载

　　Kaggle: /tupian/20230522/pp　　百度网盘: /tupian/20230522/init 提取码 dmp4

　　读取一张图片，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加载图片

　　由于原始图片过多，我们不能将所有图片一次加载入内存。Tensorflow为我们提供了便利的Dataset API，可以从硬盘中一批一批的加载数据，以用于训练。

　　处理本地图片路径与标签

　　# 训练数据的路径

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

　　train_filenames = [] # 所有图片的文件名

　　train_labels = [] # 所有图片的标签

　　for filename in os.listdir(train_dir):

　　train_filenames.append(train_dir + filename)

　　if (filename.startswith("cat")):

　　train_labels.append(0) # 将cat标记为0

　　else:

　　train_labels.append(1) # 将dog标记为1

　　# 数据随机拆分郑州人流哪家医院做的好 http://www.csyhjlyy.com/

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

　　定义一个解码图片的方法

　　def _decode_and_resize(filename, label):

　　image_string = tf.io.read_file(filename) # 读取图片

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

　　image_resized = tf.image.resize(image_decoded, [256, 256]) / 255.0 # 重置size，并归一化

　　return image_resized, label

　　定义 Dataset，用于加载图片数据

　　# 训练集

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

　　train_dataset = train_dataset.map(

　　map_func=_decode_and_resize, # 调用前面定义的方法，解析filename，转为特征和标签

　　num_parallel_calls=tf.data.experimental.AUTOTUNE)

　　train_dataset = train_dataset.shuffle(buffer_size=128) # 设置缓冲区大小

　　train_dataset = train_dataset.batch(32) # 每批数据的量

　　train_dataset = train_dataset.prefetch(tf.data.experimental.AUTOTUNE) # 启动预加载图片，也就是说CPU会提前从磁盘加载数据，不用等上一次训练完后再加载

　　# 验证集

　　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 构建CNN模型，并训练

　　构建模型与编译

　　model = tf.keras.Sequential([

　　# 卷积，32个filter(卷积核)，每个大小为3*3，步长为1

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

　　# 池化，默认大小2*2，步长为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]

　　)

　　模型总览

　　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

　　开始训练

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

　　由于数据量大，此处训练时间较久

　　需要注意的是此处打印的step，每个step指的是一个batch(例如32个样本一个batch)

　　模型评估

　　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))

感谢各位的阅读，以上就是“TensorFlow2的CNN图像分类方法是什么”的内容了，经过本文的学习后，相信大家对TensorFlow2的CNN图像分类方法是什么这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！

名称栏目：TensorFlow2的CNN图像分类方法是什么-创新互联
当前地址：http://cdkjz.cn/article/dieoio.html