第T2周：彩色图片分类-CSDN博客

本文链接：https://blog.csdn.net/m0_63880699/article/details/130413072

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 中的学习记录博客**

>- **🍦 参考文章地址： [🔗深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天](https://mtyjkh.blog.csdn.net/article/details/116978213)**

>- **🍖 作者：[K同学啊](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow)**

步骤和之前一致,只是数据和网络不同

导入数据

datasets.cifar10.load_data()

这是一个 Keras 的函数，用于下载和加载 CIFAR-10 数据集。CIFAR-10 是一个常用的计算机视觉数据集，包含 60000 张 32x32 像素的彩色图片，共分为 10 个类别。其中，50000 张图片用于训练，10000 张图片用于测试。这个函数会将数据集下载到本地，并按照训练集和测试集的分类返回样本和标签的元组。具体而言，该函数会返回一个长度为 2 的元组，第一个元素是一个包含训练样本和标签的元组 (train_samples, train_labels)，第二个元素是一个包含测试样本和标签的元组 (test_samples, test_labels)。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

构建模型


model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), #卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3
    
    layers.Flatten(),                      #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取
    layers.Dense(10)                       #输出层，输出预期结果
])

model.summary()  # 打印网络结构

模型评估

import matplotlib.pyplot as plt

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)