深度学习入门项目完整流程——图片制作数据集、训练网络、测试准确率（TensorFlow+keras）

最新推荐文章于 2025-07-12 15:35:32 发布

原创

最新推荐文章于 2025-07-12 15:35:32 发布 · 6.4k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #图像分类 #TensorFlow #keras #alexnet

该博客详细介绍了使用TensorFlow和Keras进行深度学习的实践过程，从创建图片数据集到训练AlexNet模型，再到测试准确率。在数据预处理阶段，利用numpy保存了图片和标签。训练过程中，针对图片大小和类别数量调整网络结构，尽管遇到训练loss突增的问题，但依然进行了模型测试。测试阶段，通过模型预测并转换one-hot编码结果。作者表示将继续优化项目。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先将训练的图片和标签制作成数据集，我用的是numpy库里的savez函数，可以将numpy数组保存为.npz文件（无压缩，所以文件较大）。

import cv2 as cv
import numpy as np
import os
import glob

#调整图像的大小、制作数据集
def img_process(subpath,path_list):
	print('This is',subpath,'dataset.')
	img=np.zeros((len(path_list),1145,1145),dtype=np.uint8)
	if subpath=='pos':
		label=np.zeros(len(path_list),dtype=np.uint8)
	else:
		label=np.ones(len(path_list),dtype=np.uint8)
	finish=0;
	for img_path in path_list:
		#读取灰度图
		aimg = cv.imread(img_path,cv.IMREAD_GRAYSCALE) 
		#print('This image shape:',img.shape) 
		aimg=cv.resize(aimg,(1145,1145))
		#aimg=aimg.reshape(1,-1)
		img[finish]=aimg
		finish+=1
		if finish%100==0:
			print('...',finish,'/',len(path_list))
	print(img.shape)
	#print(label.shape)
	return (img,label)
	

def make_npz(img,label,wpath):
	np.savez(wpath,trainx=img,trainy=label)
	
path=""
wpath=""
path_list=[]
path_list.extend(glob.glob(path+'pos/*.jpg'))
path_list2=[]
path_list2.extend(glob.glob(path+'neg/*.jpg'))

for i in range(20):
	sublist=path_list[i*500:i*500+500]
	#print(i,len(sublist),i*500)
	i1,l1=img_process('pos',sublist)
	i2,l2=img_process('neg',path_list2)
	img=np.zeros