2024年最新深度学习入门篇，简单的实例讲明白图像分类。(1)，字节跳动视频面试难吗

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

panda 0.66 0.89 0.76 278

accuracy 0.61 750

macro avg 0.59 0.60 0.58 750

weighted avg 0.60 0.61 0.59 750

此网络很小，当与小数据集结合时，我的 CPU 上每个epoch只需 2 秒。

在这里你可以看到，我们的网络正在获得60%的准确性。

由于我们随机挑选给定图像的正确标签的几率为 1/3，我们知道我们的网络实际上已经学会了可用于区分三个类别的模式。

我们还保存了我们的情节：

• 训练损失

• 验证损失

• 训练精度

• 验证精度

…确保我们能够轻松地发现我们的结果中过度拟合或不合适。

**图10：**我们简单的神经网络训练脚本（与Keras一起创建）生成精确/丢失情节，以帮助我们发现不足/过度拟合。

看看我们的情节，我们看到少量的过度适合开始发生超过epoch+45，我们的训练和验证损失开始分歧，并出现了明显的差距。

最后，我们可以将模型保存到磁盘中，以便以后可以重复使用，而无需重新训练它：

save the model and label binarizer to disk

print(“[INFO] serializing network and label binarizer…”)

model.save(args[“model”], save_format=“h5”)

f = open(args[“label_bin”], “wb”)

f.write(pickle.dumps(lb))

f.close()

使用 Keras 模型对新数据进行预测

==============================================================================

在这一点上， 我们的模型是训练有素的， 但如果我们想在我们的网络已经培训后对图像做出预测呢？

那我们该怎么办？

我们如何从磁盘中加载模型？

我们如何加载图像，然后对图像进行预处理以进行分类？

在predict.py 脚本中，我将向您展示如何操作，因此打开它并插入以下代码：

import the necessary packages

from tensorflow.keras.models import load_model

import argparse

import pickle

import cv2

construct the argument parser and parse the arguments

ap = argparse.ArgumentParser()

ap.add_argument(“-i”, “–image”, required=True,

help=“path to input image we are going to classify”)

ap.add_argument(“-m”, “–model”, required=True,

help=“path to trained Keras model”)

ap.add_argument(“-l”, “–label-bin”, required=True,

help=“path to label binarizer”)

ap.add_argument(“-w”, “–width”, type=int, default=28,

help=“target spatial dimension width”)

ap.add_argument(“-e”, “–height”, type=int, default=28,

help=“target spatial dimension height”)

ap.add_argument(“-f”, “–flatten”, type=int, default=-1,

help=“whether or not we should flatten the image”)

args = vars(ap.parse_args())

首先，我们将导入所需的包和模块。 每当您编写脚本以从磁盘加载 Keras 模型时，您都需要显式导入 from。 OpenCV 将用于注释和显示。该模块将用于加载我们的标签 binarizer.load_modeltensorflow.keras.modelspickle 接下来，让我们解析我们的命令行参数：

–image ：我们输入图像的路径。

–model ：我们经过训练和序列化的 Keras 模型路径。

–label-bin ：序列化标签二值化器的路径。

–width ：我们的 CNN 输入形状的宽度。本次设置为32。

–height ：输入到 CNN 的图像的高度。本次设置为32。

–flatten ÿ