第T3周：天气识别

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 内部限免文章（版权归 *K同学啊* 所有）**

>- 参考文章地址： [🔗深度学习100例-卷积神经网络（CNN）天气识别 | 第5天](https://mtyjkh.blog.csdn.net/article/details/117186183)

导入数据

## 导入相关的库
import os,PIL,pathlib
import matplotlib.pyplot as plt
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers,models

data_dir = r'C:\Users\tensorflow\T3\data\weather_photos' # 这里需要修改为你数据存放的地址
data_dir = pathlib.Path(data_dir)
roses = list(data_dir.glob('*/*.jpg')) 
PIL.Image.open(str(roses[0]))

pathlib 是 Python 3.4 版本中引入的标准库，提供了一种面向对象的方式来操作文件系统路径。它简化了路径的构造和操作等任务，并且跨平台兼容性良好。

可以使用 pathlib 完成以下任务：

• 构造一个文件或目录的路径
• 检查路径是否存在，是文件还是目录
• 获取路径的属性，如大小、创建时间、访问时间等
• 遍历目录及其中的文件和子目录
• 创建、删除、重命名文件或目录

pathlib 主要有以下几个类：

• Path：主要用于表示文件系统路径，可以通过字符串初始化。
• PurePath：与 Path 类似，但是只表示路径，不涉及具体文件系统操作。
• PosixPath 和 WindowsPath：继承自 Path，分别用于 POSIX 和 Windows 文件系统。

神经网络

num_classes = 4 
model = models.Sequential([ 
layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)), 
layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3 
layers.AveragePooling2D((2, 2)), # 池化层1，2*2采样 
layers.Conv2D(32, (3, 3), activation='relu'), # 卷积层2，卷积核3*3 layers.AveragePooling2D((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.Dropout(0.3), # 让神经元以一定的概率停止工作，防止过拟合，提高模型的泛化能力。 layers.Flatten(), # Flatten层，连接卷积层与全连接层 
layers.Dense(128, activation='relu'), # 全连接层，特征进一步提取 
layers.Dense(num_classes) # 输出层，输出预期结果 ]) 
model.summary() # 打印网络结构

训练效果

 

深度学习数据集是越庞大越好吗？

在深度学习中，数据集的大小通常是越大越好，因为更多的数据可以提供更多的信息和样本，有助于模型更准确地捕捉数据之间的关系，并提高模型的泛化能力。具体来说，数据集越大，可以带来以下好处：

1. 更好的泛化能力：更大的数据集可以提供更多的训练样本，使得模型可以更好地学习数据中的模式和关系，从而提高其泛化能力。

2. 更低的过拟合风险：更大的数据集可以降低模型过拟合的风险，特别是当模型参数数量很大时。通过提供更多的样本，可以减少模型对噪声和不相关特征的依赖，使其更专注于真正与目标相关的特征。

3. 更准确的评估：更大的数据集可以提供更准确的模型评估，因为更多的样本可以更好地反映模型的性能和偏差。

但是，数据集大小并不是唯一的影响因素。除了数据集大小之外，数据质量、数据平衡、数据的多样性等因素也会影响模型的性能。另外，更大的数据集也需要更多的计算资源和时间来处理。因此，需要在数据集大小、数据质量和计算资源之间进行权衡。