深度学习 Day2——T2彩色图片分类_深度学习图片颜色分类-优快云博客

本文链接：https://blog.youkuaiyun.com/LittleRuby/article/details/134458475

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊 | 接辅导、项目定制

前言

本文使用的是最简单的CNN模型- -LeNet-5，采用Tenserflow框架完成彩色图片分类。简单讲述实现代码与执行结果，并浅谈涉及知识点，涉及知识点包括。
关键字：CIFAR-10数据集介绍，CNN网络模型结构，神经网络程序调用顺序，loss、val_loss与accuracy、val_accuracy含义

一、我的环境

电脑系统：Windows 11
语言环境：python 3.8.6
编译器：pycharm
深度学习环境：TensorFlow 2.10.1

二、代码实现与执行结果

1.引入库

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
import warnings
warnings.filterwarnings('ignore')  # 忽略一些warning内容，无需打印

2.设置GPU（如果使用的是CPU可以忽略这步）

'''前期工作-设置GPU（如果使用的是CPU可以忽略这步）'''
gpus = tf.config.list_physical_devices("GPU")
if gpus:
    gpu0 = gpus[0]  # 如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  # 设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0], "GPU")

本人电脑无独显，故该步骤被注释，未执行。

3.导入数据

'''前期工作-导入数据'''
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

4.数据归一化

'''前期工作-数据归一化'''
# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0
print(train_images.shape, test_images.shape, train_labels.shape, test_labels.shape)
'''输出：(50000, 32, 32, 3) (10000, 32, 32, 3) (50000, 1) (10000, 1)'''

5.可视化图片

 '''前期工作-可视化图片'''
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(20, 10))
for i in range(20):
    plt.subplot(5, 4, i + 1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

显示训练集数据前20个，显示结果如下：

7.构建CNN网络模型

'''构建CNN网络模型'''
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),  # 卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),  # 池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),  # 池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3

    layers.Flatten(),  # Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),  # 全连接层，特征进一步提取
    layers.Dense(10)  # 输出层，输出预期结果
])
model.summary()  # 打印网络结构

网络结构结果如下：

8.编译模型

'''编译模型'''
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

9.训练模型

'''训练模型'''
history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

训练记录如下：
在这里插入图片描述

10.预测

'''预测'''
plt.imshow(test_images[1])
# 需要加上这句话，否则不显示图片
plt.show()
# 通过模型进行预测得到的是每一个类别的概率，数字越大该图片为该类别的可能性越大
pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])

以下为测试图第2张图

预测结果为ship

11.模型评估

'''模型评估'''
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

plt.plot(history.history['loss'], label='loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.xlabel('Epoch')
plt.ylabel('loss')
# plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(test_loss)
print(test_acc)

以下为画出accuracy和loss的图：

![在这里插入图片描述](https://img-blog.csdnimg.cn/e693e66468754afa8090543bd8d7511f.png)

三、知识点详解

1.CIFAR-10数据集介绍

cifar10.load_data()下载到本地的路径为：/home/your_userName/.keras/datasets
首次运行调用下载数据稍微花一点时间，已经下载后，则会直接加载。
数据网址：https://www.cs.toronto.edu/~kriz/cifar.html
6万张32*32的彩色图片，共10个类，每类6000张图片,其中训练集和测试集的划分如下：
training images: 50000
test images: 10000
训练集被划分为5个batch，每个batch有10000张图片，测试集只有1个batch，也有10000张图片
以下是数据集中的类，以及每个类的10张随机图片:
在这里插入图片描述
这些类是完全互斥的。汽车和卡车之间没有重叠。“汽车”包括轿车、越野车之类的东西。“卡车”只包括大卡车。这两项都不包括皮卡。

2.神经网络程序调用顺序

选择模型
构建网络模型
编译
训练
预测
模型评估

3.CNN网络模型结构

本文网络模型按一下方式构建：在这里插入图片描述

4.loss、val_loss与accuracy、val_accuracy含义

1、概念
loss：训练集损失值
val_loss:测试集损失值
accuracy:训练集准确率
val_accruacy:测试集准确率
2、之间的关系：以下5种情况可供参考：
train loss 不断下降，test loss不断下降，说明网络仍在学习;（最好的）
train loss 不断下降，test loss趋于不变，说明网络过拟合;（max pool或者正则化）
train loss 趋于不变，test loss不断下降，说明数据集100%有问题;（检查dataset）
train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小学习率或批量数目;（减少学习率）
train loss 不断上升，test loss不断上升，说明网络结构设计不当，训练超参数设置不当，数据集经过清洗等问题。（最不好的情况）这种情况，loss在下降，val_loss趋于不变，说明网络过拟合状态。
一般而言，当loss不再下降，趋于稳定时，就差不多收敛了，就意味着训练可以结束了