T2：使用Tensorflow完成彩色图片分类任务

最新推荐文章于 2025-11-24 19:42:33 发布

原创最新推荐文章于 2025-11-24 19:42:33 发布 · 975 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #分类 #人工智能

深度学习专栏收录该内容

16 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

🍨 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
目录

我的环境

语言环境：python 3.7.12
编译器：VS code
深度学习环境：tensorflow 2.7.0

本周任务

1.编写一个完整的深度学习任务
2.彩色图片与灰度图片的区别
3.测试集上的准确度达到72%

实现过程

导入数据

# 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

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

在这里插入图片描述

数据可视化

在这里插入图片描述

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']

plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(5,10,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()

构建CNN网络

模型结构图：
在这里插入图片描述

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

在这里插入图片描述

编译

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

训练模型

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

在这里插入图片描述

预测

import numpy as np

pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])

plt.imshow(test_images[1])

在这里插入图片描述

模型评估

import matplotlib.pyplot as plt

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()

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

在这里插入图片描述

总结

CIFAR-10数据集

CIFAR-10是一个广泛使用的图像分类数据集，包含60,000个32x32彩色图像，分为10个类别，每类有6,000张图像。这些图像被分为50,000个训练图像和10,000个测试图像。
train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
这条语句执行以下操作：
加载数据集：从CIFAR-10数据集中加载数据。
拆分数据：将加载的数据拆分为训练集和测试集。
分配变量：将拆分后的数据分配给相应的变量。