Tensorflow使用Resnet思想实现CIFAR-10十分类demo

最新推荐文章于 2024-08-21 08:00:00 发布

我是小蚂蚁

最新推荐文章于 2024-08-21 08:00:00 发布

阅读量5.7k

点赞数 2

分类专栏： tensorflow Tensorflow学习笔记文章标签： resnet tensorflow python 深度学习卷及神经网络

本文链接：https://blog.csdn.net/missyougoon/article/details/82693380

版权

本文使用Tensorflow构建了一个Resnet模型，针对CIFAR-10数据集进行十类别分类任务。尽管最终精度不高，但主要聚焦于Resnet的实现和学习其核心概念。

摘要由CSDN通过智能技术生成

关于Resnet残差网络的介绍已经非常多了,这里就不在赘述.使用Tensorflow写了一个简单的Resnet,对CIFAR-10数据集进行十分类.关键步骤都写了详细注释,虽然最后的精度不高,但还是学习Resnet的思想为主.

import tensorflow as tf
import  os
import numpy as np
import pickle

# 文件存放目录
CIFAR_DIR = "./cifar-10-batches-py"


def load_data(filename):
    '''read data from data file'''
    with open(filename, 'rb') as f:
        data = pickle.load(f, encoding='bytes') # python3 需要添加上encoding='bytes'
        return data[b'data'], data[b'labels'] # 并且 在 key 前需要加上 b

class CifarData:
    def __init__(self, filenames, need_shuffle):
        '''参数1:文件夹 参数2:是否需要随机打乱'''
        all_data = []
        all_labels = []

        for filename in filenames:
            # 将所有的数据,标签分别存放在两个list中
            data, labels = load_data(filename)
            all_data.append(data)
            all_labels.append(labels)

        # 将列表 组成 一个numpy类型的矩阵!!!!
        self._data = np.vstack(all_data)
        # 对数据进行归一化, 尺度固定在 [-1, 1] 之间
        self._data = self._data / 127.5 - 1
        # 将列表,变成一个 numpy 数组
        self._labels = np.hstack(all_labels)
        # 记录当前的样本 数量
        self._num_examples = self._data.shape[0]
        # 保存是否需要随机打乱
        self._need_shuffle = need_shuffle
        # 样本的起始点
        self._indicator = 0
        # 判断是否需要打乱
        if self._need_shuffle:
            self._shffle_data()

    def _shffle_data(self):
        # np.random.permutation() 从 0 到 参数,随机打乱
        p = np.random.permutation(self._num_examples)
        # 保存 已经打乱 顺序的数据
        self._data = self._data[p]
        self._labels = self._labels[p]

    def next_batch(self, batch_size):
        '''return batch_size example as a batch'''
        # 开始点 + 数量 = 结束点
        end_indictor = self._indicator + batch_size
        # 如果结束点大于样本数量
        if end_indictor > self._num_examples:
            if self._need_shuffle:
                # 重新打乱
                self._shffle_data()
                # 开始点归零,从头再来
                self