32、利用TensorFlow构建自定义图像上色深度学习模型

利用TensorFlow构建自定义图像上色深度学习模型

1. 数据准备

1.1 数据集验证与划分

在处理宠物图像数据集时，我们首先需要从图像路径名中提取图像类别（或注释），因为所有图像的文件名中都包含宠物类别信息。以下代码用于展示部分图像样本：

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.subplot(660 + 1 + j)
plt.imshow(img)
plt.axis('off')
plt.title(img_class)
plt.show()

接下来，我们将图像数据集划分为训练集、验证集和测试集，比例分别为60%、20%和20%。具体代码如下：

train_files = all_image_files[:int(len(all_image_files)*0.6)]
validation_files = all_image_files[int(len(all_image_files)*0.6):int(len(all_image_files)*0.8)]
test_files = all_image_files[int(len(all_image_files)*0.8):]
print(len(train_files), len(validation_files), len(test_files))

1.2 数据预处理

我们的目标是开发一个将黑白图像转换为彩色图像的深度学习模