使用tensorflow实现CIFAR100的基本案例

最新推荐文章于 2023-11-10 16:47:55 发布

原创最新推荐文章于 2023-11-10 16:47:55 发布 · 942 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #keras #深度学习

Python 专栏收录该内容

6 篇文章

订阅专栏

该博客介绍了如何利用TensorFlow 1.12.0构建一个卷积神经网络（CNN）模型，对CIFAR100数据集进行图像分类。模型包括两个卷积层和两个全连接层，使用ReLU激活函数，并用softmax激活最后一层。数据预处理包括归一化。模型训练和评估过程也进行了展示。

部署运行你感兴趣的模型镜像

# tensorflow 1.12.0
from tensorflow.python.keras.datasets import cifar100
from tensorflow.python import keras
import tensorflow as tf


class CNNMnist(object):
    # 2.编写两层 + 两层全连接层网络模型
    model = keras.models.Sequential([
        # 卷积层1 32个 5*5*3的filter, strides=1, padding="same"
        keras.layers.Conv2D(32, kernel_size=5, strides=1, padding="same", data_format="channels_last", activation=tf.nn.relu),
        keras.layers.MaxPool2D(2, strides=2, padding="same"),
        keras.layers.Conv2D(64, kernel_size=5, strides=1, padding="same", data_format="channels_last",
                            activation=tf.nn.relu),
        keras.layers.MaxPool2D(2, strides=2, padding="same"),
        keras.layers.Flatten(),
        keras.layers.Dense(1024, activation=tf.nn.relu),
        keras.layers.Dense(100, activation=tf.nn.softmax)
    ])

    def __init__(self):
        # 获取训练数据集
        (self.x_train, self.y_train), (self.x_test, self.y_test) = cifar100.load_data()
        # 进行数据归一化
        self.x_train = self.x_train / 255.0
        self.y_train = self.y_train / 255.0

    def compile(self):
        CNNMnist.model.compile(optimizer=keras.optimizers.Adam(),
                               loss=keras.losses.sparse_categorical_crossentropy,
                               metrics=['accuracy'])

        return None

    def fit(self):
        CNNMnist.model.fit(self.x_train, self.y_train, epochs=1, batch_size=32)
        return None

    def evaluate(self):
        test_loss, test_acc = CNNMnist.model.evaluate(self.x_test, self.y_test)
        print(test_loss, test_acc)
        return None


if __name__ == '__main__':
    cnn = CNNMnist()
    cnn.compile()
    cnn.fit()