horse-or-human神经网络搭建-CSDN博客

本文链接：https://blog.csdn.net/m0_56104219/article/details/124502876

本文介绍了如何进行图像数据预处理，包括创建数据生成器，对图片进行缩放和批量处理。使用TensorFlow搭建了一个简单的卷积神经网络模型，包括多层卷积和池化，并通过ImageDataGenerator进行数据增强。模型训练过程中，采用了二元交叉熵作为损失函数，Adam优化器，最终对验证数据集进行了评估。

摘要由CSDN通过智能技术生成

文章目录

下载数据
创建图片数据生成器
搭建神经网络
输入数据到神经网络

下载数据

训练数据集：horse-or-human
测试数据集：validation-hrose-or-human
解压完成后每个文件夹中都含有两个文件夹一个为hores另一个为human，这样便于对图片进行标签化处理
在这里插入图片描述

创建图片数据生成器

当图片数据过大，且图片的尺寸不一致时，就需要对图片进行预处理操作，将其裁剪成规定大小的图片，然后再生成器中要指定每个批次中要训练的图片的数量，且要规定图片的class类型，便于分类

# 创建两个数据生成器，指定器scala为0-1
train_dataGen = ImageDataGenerator(rescale=1/255)
test_dataGen = ImageDataGenerator(rescale=1/255)
# 给定图片的位置，尺寸和批次大小
train_generator = train_dataGen.flow_from_directory(
        'E:/datasets/tmp/horse-or-human',
        target_size=(300, 300),
        batch_size=32,
        class_mode='binary')
test_generator = test_dataGen.flow_from_directory(
        'E:/datasets/tmp/validation-horse-or-human',
        target_size=(300, 300),
        batch_size=32,
        class_mode='binary')

搭建神经网络

简单的使用一层卷积，一层池化，这样的结构搭建4层卷积网络，然后再进行一次卷积，让后将其全连接，最后规定输出只有1位，要么是，要么不是

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(16 ,(3, 3), input_shape=(300, 300, 3), activation=tf.nn.relu, padding='same', name='conv-1'),
    tf.keras.layers.MaxPool2D((2, 2), name='pool-1'),
    tf.keras.layers.Conv2D(32, (3, 3), activation=tf.nn.relu, padding='same', name='conv-2'),
    tf.keras.layers.MaxPooling2D((2,2), name='pool-2'),
    tf.keras.layers.Conv2D(64, (3, 3), activation=tf.nn.relu, padding='same', name='conv-3'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation=tf.nn.sigmoid)
])
model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.01),loss=tf.losses.binary_crossentropy)

输入数据到神经网络

model.fit(train_generator,
epoch=3,
verbose=1,
validation_data=test_generator,
validation_steps=8)

在这里插入图片描述