CIFAR10图像分类 - tensorflow

Sherry Wangs

已于 2023-12-25 13:41:00 修改

阅读量573

点赞数 17

分类专栏：人工智能文章标签：人工智能 tensorflow

于 2023-12-25 13:39:22 首次发布

本文链接：https://blog.csdn.net/m0_61676839/article/details/135197611

版权

这篇博客介绍了CIFAR10图像分类任务，使用TensorFlow准备数据集，包括数据集介绍和数据增强。接着，构建了多个DCNN模型，如LeNet、AlexNet等，并进行了模型训练与测试，详细说明了verbose参数的作用。同时，利用callbacks回调函数优化训练过程，如EarlyStopping和LearningRateScheduler。最后，通过matplotlib和TensorBoard可视化损失，并展示测试图像及分类结果。

摘要由CSDN通过智能技术生成

CIFAR10图像分类：准备数据集、构建两个以上DCNN分类模型并训练、输出模型结构、输出模型精度和损失可视化结果，用drop out、数据增强等技术提升模型性能并进行对比分析。展示测试图像及分类结果。

数据集

数据集介绍：

CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。

每个图片的尺寸为32 × 32的彩色图像，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

准备数据集：

import tensorflow as tf

from tensorflow.keras.datasets import cifar10

from tensorflow.keras.utils import to_categorical

def get_dataset():
	# 下载并拆分数据集
	
	(x_train, y_train), (x_test, y_test) = cifar10.load_data()
	
	# 类别数量
	
	num_classes = 10
	
	# 将标签转换为独热编码
	
	y_train = to_categorical(y_train, num_classes)
	
	y_test = to_categorical(y_test, num_classes)
	
	# 将像素值缩放到0-1之间
	
	x_train = x_train.astype('float32') / 255.0
	
	x_test = x_test.astype('float32') / 255.0
	
	return x_train,y_train,x_test,y_test

数据增强


def build_augmentation_model(): 
	data_augmentation = ImageDataGenerator( 
		rotation_range=15, 
		width_shift_range=0.1, 
		height_shift_range=0.1, 
		horizontal_flip=True, 
		vertical_flip=False )

模型构建

两个以上DCNN分类模型：LeNet；AlexNet；GoogLeNet；VGGNet（VGG16）；ResNet；EfficientNet；

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 构建基础模型

def build_model():

    model = Sequential