软件工程第四次实验--CNN实战

已于 2022-10-22 15:59:33 修改
阅读量676 收藏 1
点赞数
文章标签： cnn 深度学习 机器学习
于 2022-10-21 18:02:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/OUC_SE_GROUP3/article/details/127451318
版权
本文介绍了OUC2022秋季软件工程第四次实验——CNN实战，包括Colab上的迁移学习，使用VGG Model进行猫狗分类。内容涵盖数据下载与预处理、模型创建、参数冻结、训练与测试，以及深度学习流程和数值归一化的讨论。
摘要由CSDN通过智能技术生成

Assginment4：Practice of CNN

本博客为OUC2022秋季软件工程第四次作业

文章目录

1.代码练习

Colab 迁移学习

1. 下载数据

引入需要的包，判断是否存在GPU。如果返回False，则表示没有GPU，可以在编辑-笔记本设置-GPU里选择。图中返回True，表示存在GPU加速，可以进行下一步。

! wget http://fenggao-image.stor.sinaapp.com/dogscats.zip
! unzip dogscats.zip

下载和解压缩数据集。

2.预处理

查看图片属性。0代表cat，1代表dog。

2

显示图片查看数据是否正常。

3

3.创建 VGG Model

tensor输出每一种目标识别的结果。

其中softmax与hardmax相对。hardmax最大的特点就是只选出其中一个最大的值，即非黑即白。但是往往在实际中这种方式是不合情理的，比如对于文本分类来说，一篇文章或多或少包含着各种主题信息，我们更期望得到文章对于每个可能的文本类别的概率值（置信度），可以简单理解成属于对应类别的可信度。所以此时用到了soft的概念，softmax的含义就在于不再唯一的确定某一个最大值，而是为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。

4

4. 修改最后一层，冻结前面层的参数

显示VGG结构

5

5. 训练并测试全连接层

采取6个分类器并行训练。

分类器的构造和实施大体会经过以下几个步骤：

  • 选定样本（包含正样本和负样本），将所有样本分成训练样本和测试样本两部分。
  • 在训练样本上执行分类器算法，生成分类模型。
  • 在测试样本上执行分类模型，生成预测结果。
  • 根据预测结果，计算必要的评估指标，评估分类模型的性能。

6
训练模型
7
测试模型
8
测试结果
9
单次可视化的数据测试
10

想法和解读
深度学习流程

如何在工程问题中使用深度学习：首先准备待解决问题的数据，然后下载预训练好的网络，接着用准备好的数据来 fine-tune 预训练好的网络。

数值归一化

图片数值在[0,255]区间，为了训练时收敛速度快，避免激活函数饱和，需要将图片数值转换至[0,1]区间。这里采用了tensorflow内置的tensorflow.image.convert_image_dtype操作，不仅执行了归一化，还可以转换数据类型为需要的tensorflow.float32数据类型。

冻结前面层参数

目标是使用预训练好的模型，因此，需要把最后的Linear 层由1000类，替换为2类。为了在训练中冻结前面层的参数，需要设置 required_grad=False。这样，反向传播训练梯度时，前面层的权重就不会自动更新了。训练中，只会更新最后一层的参数。

二、猫狗大战实战

成果先行：

image-20221021112714722

实战过程

下载解压工具rar

!sudo apt-get install rar

将

最低0.47元/天 解锁文章
OUC_SE_GROUP3
关注
Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据)
03-23
1.Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、...
软件工程第四次实验
MidoriYuuka的博客
10-21 529
.
四万字硬核详解：卷积神经网络CNN（原理详解 + 项目实战 + 经验分享）
shinuone的博客
10-31 2万+
深入解析卷积神经网络（CNN）的实际应用，全面整理并梳理了CNN的关键知识点。从基础概念到实战技巧，加速理解与实战，并解决实际问题。
【CNN实战】简单CNN网络实现手写数据集识别（附完整代码）
最新发布
lixinyu990724的博客
10-30 5073
本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，实现mnist手写数据集分类。
CNN入门教程与实战
hl2015222050145的博客
01-11 4723
一 基本概念 1 全连接，局部连接，权值共享                   全连接：所有输入点都需要与下一个节点相连接                    局部连接：每个节点只与部分节点相连接                    权值共享：每个与输出节点相连接的参数公用          假定：w*h的输入通道数c照片，下一层节点个数：node个，提取的特征个数feat,卷积核
深度学习实战——卷积神经网络/CNN实践(LeNet、Resnet)
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
04-05 1万+
本篇博客主要介绍几种卷积神经网络的原理，并进行了代码实践与优化，另外，使用了CAM、图像显著性检测等方法进行了模型的可视化诊断。（内附代码与数据集）。
CNN的原理详解及代码实战（人手都会）
Warmer_Sweeter
03-28 2212
点击下方卡片，关注“小白玩转Python”公众号Conv-Net 的简单分类架构介绍卷积神经网络 (CNN) 彻底改变了计算机视觉领域，成为图像和视频分析应用的基石。在本文中，我们将深入研究使 CNN 强大的关键组件和操作，探索卷积、最大池化、步长、填充、上采样、下采样等概念。此外，我们将使用 Python 和流行的深度学习框架讨论数据集上的简单 CNN 模型。卷积神经网络 (CNN) 由各种类...
CEEMDAN-VMD-CNN-LSTM-Attention多变量时序预测（Matlab完整源码和数据）
07-14
1.Matlab实现CEEMDAN-VMD-CNN-LSTM-Multihead-Attention二次分解结合卷积神经网络长短期记忆神经网络多头注意力机制多变量时序预测（完整源码和数据） 2.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用...
CEEMDAN-VMD-CNN-BiLSTM-Attention多变量时序预测（Matlab完整源码和数据）
07-14
1.Matlab实现CEEMDAN-VMD-CNN-BiLSTM-Multihead-Attention二次分解结合卷积神经网络双向长短期记忆神经网络多头注意力机制多变量时序预测（完整源码和数据） 2.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的安全帽穿戴情况。项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - ...
CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆神经网络多变量时序预测（Matlab完整源码和数据）
03-14
CEEMDAN-VMD-CNN-BiLSTM二次分解结合卷积双向长短期记忆神经网络多变量时序预测（Matlab完整源码和数据） CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量Co-IMF1二次分解， VMD分解的高频...
十、CNN卷积神经网络实战
beyond谚语的博客
04-02 1719
《PyTorch深度学习实践》课后作业
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，超实用
热门推荐
L_goodboy的博客
11-29 4万+
Python CNN卷积神经网络实例讲解，CNN实战，CNN代码实例，套用简单
卷积神经网络CNN实战10
leva的博客
08-10 1195
卷积神经网络典型CNN LeNet：最早用于数字识别的CNN AlexNet：2012年ILSVRC比赛冠军，远超第二名的CNN，比LeNet更深，用多层 小卷积叠加来替换单个的大卷积 ZF Net：2013ILSVRC冠军 GoogleNet：2014ILSVRC冠军 VGGNet：2014ILSVRC比赛中算法模型，效果率低于GoogleNet ResNet：2015ILSVRC冠军，结构修正以适应更深层次的CNN训练 LeNet：最早用于数字识别的CNN LeNet-5 C1层是一个卷积层 6个特征
深度学习实战5-卷积神经网络（CNN）中文OCR识别项目
weixin_42878111的博客
05-11 8164
文章目录 一、前期工作 导入库 图片生成函数 导入数据 生成数据集函数 二、CNN模型建立 三、训练模型函数 四、训练模型与结果 五、验证 大家好，今天给大家带来一个利用卷积神经网络（CNN）进行中文OCR识别，实现自己的一个OCR识别工具。 一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，这样可节省人力打字的时间。 一、前期工作 1.导入库 import n
卷积神经网络CNN实战9
leva的博客
08-10 2022
深度学习超参数 1）学习率（Learning Rate） 学习率被定义为每次迭代中成本函数中最小化的量。也即下降到成本函数的最小值的 速率是学习率，它是可变的。从梯度下降算法的角度来说，通过选择合适的学习率，可以 使梯度下降法得到更好的性能。 一般常用的学习率有0.00001，0.0001，0.001，0.003，0.01，0.03，0.1，0.3，1，3，10 2）学习率调整策略 2.1 fixed固定策略，学习率始终是一个固定值。 2.2 step 均匀分步策略，如果设置为step,则还需要设置一个st
基于残差网络的CNN模型进行人脸识别实战实战项目
bigData1994pb的博客
12-13 915
人脸识别完整项目：从上一步存下来的图像文件中, 提取人脸数据存入 CSV / Extract features from face images saved in step 1;这一步将调用摄像头进行实时人脸识别;进行人脸信息采集录入 Tkinter GUI / Face register with Tkinter GUI。(对每一帧都进行检测+识别), 只有人脸出现的时候进行识别;UI设计，可以实时采集，实时检测，但是作者不想上镜，所以……只会对初始帧做检测+识别, 对后续帧做检测+质心跟踪。
第四次作业：CNN实战
m0_61922407的博客
10-22 1065
本博客为OUC2022秋季软件工程第四次作业——CNN实战。
软件工程视角：计算机视觉与图像处理在实践中的关键技术
第6章是实践环节，将理论知识应用于软件工程实际项目，通过案例分析和项目实战，让学员掌握如何将计算机视觉技术融入软件开发流程，解决实际问题。 最后一章总结与展望，强调了计算机视觉与图像处理在软件工程中的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值