CNN如何解决Flowers图像分类任务

本篇内容介绍了“CNN如何解决Flowers图像分类任务”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！（1）该数据需要从网上下载，需要耐心等待片刻，下载下来自动会存放在“你的主目录.kerasdatasetsflower_photos”。（2）数据中总共有 5 种类，分别是 daisy、 dandelion、roses、sunflowers、tulips，总共包含了 3670免费云主机域名 张图片。(3) 随机展示了一张花朵的图片。（1）使用 tf.keras.utils.image_dataset_from_directory 可以将我们的花朵图片数据，从磁盘加载到内存中，并形成 tensorflow 高效的 tf.data.Dataset 类型。（2）我们将数据集 shuffle 之后，进行二八比例的随机抽取分配，80% 的数据作为我们的训练集，共 2936 张图片， 20% 的数据集作为我们的测试集，共 734 张图片。（3）我们使用 Dataset.cache 和 Dataset.prefetch 来提升数据的处理速度，使用 cache 在将数据从磁盘加载到 cache 之后，就可以将数据一直放 cache 中便于我们的后续访问，这可以保证在训练过程中数据的处理不会成为计算的瓶颈。另外使用 prefetch 可以在 GPU 训练模型的时候，CPU 将之后需要的数据提前进行处理放入 cache 中，也是为了提高数据的处理性能，加快整个训练过程，不至于训练模型时浪费时间等待数据。（4）我们随便选取了 6 张图像进行展示，可以看到它们的图片以及对应的标签。结果打印：Found 3670 files belonging to 5 classes.
Using 2936 files for training.
Found 3670 files belonging to 5 classes.
Using 734 files for validation.（1）因为最初的图片都是 RGB 三通道图片，像素点的值在 [0,255] 之间，为了加速模型的收敛，我们要将所有的数据进行归一化操作。所以在模型的第一层加入了 layers.Rescaling 对图片进行处理。（2）使用了三个卷积块，每个卷积块中包含了卷积层和池化层，并且每一个卷积层中都添加了 relu 激活函数，卷积层不断提取图片的特征，池化层可以有效的所见特征矩阵的尺寸，同时也可以减少最后连接层的中的参数数量，权重参数少的同时也起到了加快计算速度和防止过拟合的作用。（3）最后加入了两层全连接层，输出对图片的分类预测 logit 。（4）使用 Adam 作为我们的模型优化器，使用 SparseCategoricalCrossentropy 计算我们的损失值，在训练过程中观察 accuracy 指标。（1）我们使用训练集进行模型的训练，使用验证集进行模型的验证，总共训练 5 个 epoch 。（2）我们通过对训练过程中产生的准确率和损失值，与验证过程中产生的准确率和损失值进行绘图对比，训练时的准确率高出验证时的准确率很多，训练时的损失值远远低于验证时的损失值，这说明模型存在过拟合风险。正常的情况这两个指标应该是大体呈现同一个发展趋势。结果打印：Epoch 1/5
92/92 [==============================] – 45s 494ms/step – loss: 0.2932 – accuracy: 0.8992 – val_loss: 1.2603 – val_accuracy: 0.6417
Epoch 2/5
92/92 [==============================] – 40s 436ms/step – loss: 0.1814 – accuracy: 0.9414 – val_loss: 1.5241 – val_accuracy: 0.6267
Epoch 3/5
92/92 [==============================] – 36s 394ms/step – loss: 0.0949 – accuracy: 0.9745 – val_loss: 1.6629 – val_accuracy: 0.6499
Epoch 4/5
92/92 [==============================] – 48s 518ms/step – loss: 0.0554 – accuracy: 0.9860 – val_loss: 1.7566 – val_accuracy: 0.6621
Epoch 5/5
92/92 [==============================] – 39s 419ms/step – loss: 0.0341 – accuracy: 0.9918 – val_loss: 2.1150 – val_accuracy: 0.6335（1）当训练样本数量较少时，通常会发生过拟合现象。我们可以操作数据增强技术，通过随机翻转、旋转等方式来增加样本的丰富程度。常见的数据增强处理方式有：tf.keras.layers.RandomFlip、tf.keras.layers.RandomRotation和 tf.keras.layers.RandomZoom。这些方法可以像其他层一样包含在模型中，并在 GPU 上运行。（2）这里挑选了一张图片，对其进行 6 次执行数据增强，可以看到得到了经过一定程度缩放、旋转、反转的数据集。（3）在模型架构的开始加入数据增强层，同时在全连接层的地方加入 Dropout ，进行神经元的随机失活，这两个方法的加入可以有效抑制模型过拟合的风险。其他的模型结构、优化器、损失函数、观测值和之前相同。通过绘制数据图我们发现，使用这些措施很明显减少了过拟合的风险。结果打印：92/92 [==============================] – 57s 584ms/step – loss: 1.3080 – accuracy: 0.4373 – val_loss: 1.0929 – val_accuracy: 0.5749
Epoch 2/15
92/92 [==============================] – 41s 445ms/step – loss: 1.0763 – accuracy: 0.5596 – val_loss: 1.3068 – val_accuracy: 0.5204
…
Epoch 14/15
92/92 [==============================] – 59s 643ms/step – loss: 0.6306 – accuracy: 0.7585 – val_loss: 0.7963 – val_accuracy: 0.7044
Epoch 15/15
92/92 [==============================] – 42s 452ms/step – loss: 0.6155 – accuracy: 0.7691 – val_loss: 0.8513 – val_accuracy: 0.6975（4）最后我们使用一张随机下载的图片，用模型进行类别的预测，发现可以识别出来。结果打印：这张图片最有可能属于 sunflowers ，有 97.39 的置信度。“CNN如何解决Flowers图像分类任务”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注百云主机网站，小编将为大家输出更多高质量的实用文章！

相关推荐: C++中如何实现左值引用和右值引用

这篇文章主要讲解了“C++中如何实现左值引用和右值引用”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“C++中如何实现左值引用和右值引用”吧！1、左值和右值的概念左值是可以放在赋值号左边可以被赋值的值；左值必须要…