深度学习之美食评分

---

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习深度学习，本文就介绍了深度学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、美食评分怎么做呢？

这个我们就要用到pandas、numpy、PIL等Python库。

二、直接上手

1.引入pandas库，加载数据

导包加载数据：

import pandas as pd 
foodscore=pd.read_csv('foodscore/FoodScore.csv')
foodscore_sort=foodscore.sort_values(by='score',ascending=False)#排序

#加载美食图片及美食数据预处理
img_path='./foodscore/data_foodscore/'

x=[]
y=[]

IMG_SIZE=128
for file_name in foodscore['ID']:
    file_path = os.path.join(img_path,file_name+'.jpg')
    img=Image.open(file_path)
    img=img.resize([IMG_SIZE,IMG_SIZE])
    img=np.array(img)/255.0 
    x.append(img)
    labels=foodscore.loc[foodscore['ID']==file_name,'score'].values
    y.append(labels)
x=np.array(x)
y=np.array(y)
print(x.shape)
print(y.shape)

2.展示数据

代码如下：

import matplotlib.pyplot as plt
fig=plt.figure()
fig.set_figheight(8)
fig.set_figwidth(16)
for i in range(10):
    ax=fig.add_subplot(2,5,i+1)
    ax.set_title(np.round(y[i],2))
    ax.imshow(x[i])

---

3.导入训练模型需要的包

数据分割
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)

from tensorflow.keras.layers import Flatten,Dense,Input
from tensorflow.keras import Model,activations

4.构建模型

input_layer=Input([IMG_SIZE,IMG_SIZE,3])
x=input_layer
x=activations.relu(x)
x=Flatten()(x)
x=Dense(3)(x)
x=Dense(3)(x)
x=Dense(2)(x)
out_layer=x
model=Model(input_layer,out_layer)

model.summary()

5.编译、训练模型

model.compile(optimizer='adam',loss='mse',metrics=['mse'])
model.fit(x_train,y_train,batch_size=64,epochs=100,validation_data=(x_test,y_test))

6.测试

myfood=Image.open('next_food.jpg')
myfood=myfood.resize([IMG_SIZE,IMG_SIZE])
myfood=np.array(myfood)/255.0
myfood=myfood.reshape((1,IMG_SIZE,IMG_SIZE,3))
y_pred=model.predict(myfood)
y_pred

总结

以后会写的更好！！！