Tensorflow入门实战 P02-彩色图片分类

1、序言

2、主要代码

3、运行结果展示

（1）展示cifar10里面的20张图片

（2）预测的图片

（3）模型评估

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

1、序言

这篇博客，主要是讲的是彩色图片分类，数据集为：cifar10。

和以往的流程一样：

① 判断是否在GPU上运行

② 导入cifar10数据集

③ 归一化（将像素的值标准化至0-1的区间内）

④ 可视化数据集里的数据（展示了2行，共20张图片）

⑤ 搭建神经网络

⑥ 编译

⑦ 训练模型

⑧ 预测并显示预测的图片

⑨ 模型评估

2、主要代码

import tensorflow as tf
from keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
# 1、设置GPU
gpus = tf.config.list_physical_devices('GPU')if gpus:gpu0 = gpus[0]  # 如果有多个GPU，仅使用第0个GPUtf.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")# 2、导入数据
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()# 3、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)
# (50000, 32, 32, 3)     (10000, 32, 32, 3)    (50000, 1)          (10000, 1)# 4、可视化
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()# 二、搭建神经网络
model = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),  # 卷积层1，卷积核3*3layers.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*3layers.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*3layers.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# 三、编译
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# 四、训练模型
history = model.fit(train_images, train_labels, epochs=10,validation_data=(test_images, test_labels))# 五、预测
plt.imshow(test_images[1])
plt.show()pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])# 六、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()test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print("test_loss:", test_loss, "---------test_acc:", test_acc)