DL之VGG16：基于VGG16(Keras)利用Knifey-Spoony数据集对网络架构进行迁移学习

最新推荐文章于 2023-05-19 23:43:33 发布
最新推荐文章于 2023-05-19 23:43:33 发布
阅读量5.4k 收藏 17
点赞数 2
分类专栏： DL/R
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41185868/article/details/99485570
版权

DL之VGG16：基于VGG16(Keras)利用Knifey-Spoony数据集对网络架构迁移学习

 

 

 

目录

数据集

输出结果

设计思路

1、基模型

2、思路导图

核心代码

更多输出

 

 

 

 

 

数据集

Dataset之Knifey-Spoony：Knifey-Spoony数据集的简介、下载、使用方法之详细攻略

 

 

输出结果

 

 

 

 

设计思路

1、基模型

 

 

 

2、思路导图

 

 

 

 

核心代码

 


model_VGG16.summary()                              
transfer_layer = model_VGG16.get_layer('block5_pool')    
print('transfer_layer.output：', transfer_layer.output)  

conv_model = Model(inputs=model_VGG16.input,
                   outputs=transfer_layer.output)

VGG16_TL_model = Sequential()                        # Start a new Keras Sequential model.
VGG16_TL_model.add(conv_model)                       # Add the convolutional part of the VGG16 model from above.
VGG16_TL_model.add(Flatten())                        # Flatten the output of the VGG16 model because it is from a convolutional layer.
VGG16_TL_model.add(Dense(1024, activation='relu'))   # Add a dense (aka. fully-connected) layer. This is for combining features that the VGG16 model has recognized in the image.
VGG16_TL_model.add(Dropout(0.5))                     # Add a dropout-layer which may prevent overfitting and improve generalization ability to unseen data e.g. the test-set.
VGG16_TL_model.add(Dense(num_classes, activation='softmax'))  # Add the final layer for the actual classification.


print_layer_trainable() 

conv_model.trainable = False
for layer in conv_model.layers:
    layer.trainable = False

print_layer_trainable()  
loss = 'categorical_crossentropy'  
metrics = ['categorical_accuracy'] 

VGG16_TL_model.compile(optimizer=optimizer, loss=loss, metrics=metrics)      


epochs = 20
steps_per_epoch = 100

history = VGG16_TL_model.fit_generator(generator=generator_train,
                                  epochs=epochs,
                                  steps_per_epoch=steps_per_epoch,
                                  class_weight=class_weight,
                                  validation_data=generator_test,
                                  validation_steps=steps_test)

plot_training_history(history)  

VGG16_TL_model_result = VGG16_TL_model.evaluate_generator(generator_test, steps=steps_test)
print("Test-set classification accuracy: {0:.2%}".format(VGG16_TL_model_result[1]))

 

 

 

 

更多输出

输出tensorflow的版本： 1.10.0
Data has apparently already been downloaded and unpacked.
maybe_download_and_extract()函数执行结束！
load()函数的data_dir： data/knifey-spoony/
Creating dataset from the files in: data/knifey-spoony/
- Data loaded from cache-file: data/knifey-spoony/knifey-spoony.pkl
执行load()函数结束！
get_paths()函数的self.in_dir输出： data/knifey-spoony
- Copied training-set to: data/knifey-spoony/train/
get_paths()函数的self.in_dir输出： data/knifey-spoony
- Copied test-set to: data/knifey-spoony/test/
data/knifey-spoony/train/ data/knifey-spoony/test/
……

383418368/553467096 [===================>..........] - ETA: 2:09
383614976/553467096 [===================>..........] - ETA: 2:09
383811584/553467096 [===================>..........] - ETA: 2:09
383860736/553467096 [===================>..........] - ETA: 2:09
383942656/553467096 [===================>..........] - ETA: 2:09

……

394297344/553467096 [====================>.........] - ETA: 2:00
394510336/553467096 [====================>.........] - ETA: 1:59
394723328/553467096 [====================>.........] - ETA: 1:59
394821632/553467096 [====================>.........] - ETA: 1:59
395018240/553467096 [====================>.........] - ETA: 1:59
395214848/553467096 [====================>.........] - ETA: 1:59
395395072/553467096 [====================>.........] - ETA: 1:59
395542528/553467096 [====================>.........] - ETA: 1:58


……

469909504/553467096 [========================>.....] - ETA: 1:00
470040576/553467096 [========================>.....] - ETA: 1:00
470122496/553467096 [========================>.....] - ETA: 59s 
470351872/553467096 [========================>.....] - ETA: 59s
470499328/553467096 [========================>.....] - ETA: 59s
470630400/553467096 [========================>.....] - ETA: 59s
470712320/553467096 [========================>.....] - ETA: 59s
470925312/553467096 [========================>.....] - ETA: 59s
471089152/553467096 [========================>.....] - ETA: 59s
471220224/553467096 [========================>.....] - ETA: 59s
471302144/553467096 [========================>.....] - ETA: 59s
471515136/553467096 [========================>.....] - ETA: 58s
471678976/553467096 [========================>.....] - ETA: 58s

……

536248320/553467096 [============================>.] - ETA: 12s
536772608/553467096 [============================>.] - ETA: 11s
537329664/553467096 [============================>.] - ETA: 11s
537378816/553467096 [============================>.] - ETA: 11s
537444352/553467096 [============================>.] - ETA: 11s
537640960/553467096 [============================>.] - ETA: 11s
537755648/553467096 [============================>.] - ETA: 11s
537788416/553467096 [============================>.] - ETA: 10s
537821184/553467096 [============================>.] - ETA: 10s

……

551862272/553467096 [============================>.] - ETA: 1s
551993344/553467096 [============================>.] - ETA: 1s
552042496/553467096 [============================>.] - ETA: 0s
552124416/553467096 [============================>.] - ETA: 0s
552337408/553467096 [============================>.] - ETA: 0s
552501248/553467096 [============================>.] - ETA: 0s
552517632/553467096 [============================>.] - ETA: 0s
552583168/553467096 [============================>.] - ETA: 0s
552697856/553467096 [============================>.] - ETA: 0s
552910848/553467096 [============================>.] - ETA: 0s
553041920/553467096 [============================>.] - ETA: 0s
553123840/553467096 [============================>.] - ETA: 0s
553287680/553467096 [============================>.] - ETA: 0s
553467904/553467096 [==============================] - 386s 1us/step
2019-08-14 11:44:51.782638: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2019-08-14 11:44:53.212742: W T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:108] Allocation of 411041792 exceeds 10% of system memory.
2019-08-14 11:44:54.302588: W T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:108] Allocation of 411041792 exceeds 10% of system memory.
2019-08-14 11:44:54.310978: W T:\src\github\tensorflow\tensorflow\core\framework\allocator.cc:108] Allocation of 411041792 exceeds 10% of system memory.
(224, 224)
Found 4170 images belonging to 5 classes.
Found 530 images belonging to 5 classes.
26.5
['forky', 'knifey', 'spoony', 'test', 'train']
5
class_weight： [1.39839034 1.14876033 0.70701933]
['forky', 'knifey', 'spoony', 'test', 'train']
Downloading data from https://s3.amazonaws.com/deep-learning-models/image-models/imagenet_class_index.json

 8192/35363 [=====>........................] - ETA: 0s
16384/35363 [============>.................] - ETA: 0s
40960/35363 [==================================] - 0s 6us/step
79.02% : macaw
 6.61% : bubble
 3.64% : vine_snake
 1.90% : pinwheel
 1.22% : knot
50.31% : shower_curtain
17.08% : handkerchief
12.75% : mosquito_net
 2.87% : window_shade
 1.32% : toilet_tissue
45.08% : shower_curtain
21.84% : mosquito_net
11.55% : handkerchief
 2.02% : window_shade
 0.91% : Windsor_tie
26.75% : spoonbill
 7.06% : black_stork
 7.04% : wooden_spoon
 4.21% : limpkin
 3.72% : paddle
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 224, 224, 3)       0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     
_________________________________________________________________
block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0         
_________________________________________________________________
block2_conv1 (Conv2D)        (None, 112, 112, 128)     73856     
_________________________________________________________________
block2_conv2 (Conv2D)        (None, 112, 112, 128)     147584    
_________________________________________________________________
block2_pool (MaxPooling2D)   (None, 56, 56, 128)       0         
_________________________________________________________________
block3_conv1 (Conv2D)        (None, 56, 56, 256)       295168    
_________________________________________________________________
block3_conv2 (Conv2D)        (None, 56, 56, 256)       590080    
_________________________________________________________________
block3_conv3 (Conv2D)        (None, 56, 56, 256)       590080    
_________________________________________________________________
block3_pool (MaxPooling2D)   (None, 28, 28, 256)       0         
_________________________________________________________________
block4_conv1 (Conv2D)        (None, 28, 28, 512)       1180160   
_________________________________________________________________
block4_conv2 (Conv2D)        (None, 28, 28, 512)       2359808   
_________________________________________________________________
block4_conv3 (Conv2D)        (None, 28, 28, 512)       2359808   
_________________________________________________________________
block4_pool (MaxPooling2D)   (None, 14, 14, 512)       0         
_________________________________________________________________
block5_conv1 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_conv2 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_conv3 (Conv2D)        (None, 14, 14, 512)       2359808   
_________________________________________________________________
block5_pool (MaxPooling2D)   (None, 7, 7, 512)         0         
_________________________________________________________________
flatten (Flatten)            (None, 25088)             0         
_________________________________________________________________
fc1 (Dense)                  (None, 4096)              102764544 
_________________________________________________________________
fc2 (Dense)                  (None, 4096)              16781312  
_________________________________________________________________
predictions (Dense)          (None, 1000)              4097000   
=================================================================
Total params: 138,357,544
Trainable params: 138,357,544
Non-trainable params: 0
_________________________________________________________________
Tensor("block5_pool/MaxPool:0", shape=(?, 7, 7, 512), dtype=float32)
True:	input_1
True:	block1_conv1
True:	block1_conv2
True:	block1_pool
True:	block2_conv1
True:	block2_conv2
True:	block2_pool
True:	block3_conv1
True:	block3_conv2
True:	block3_conv3
True:	block3_pool
True:	block4_conv1
True:	block4_conv2
True:	block4_conv3
True:	block4_pool
True:	block5_conv1
True:	block5_conv2
True:	block5_conv3
True:	block5_pool
False:	input_1
False:	block1_conv1
False:	block1_conv2
False:	block1_pool
False:	block2_conv1
False:	block2_conv2
False:	block2_pool
False:	block3_conv1
False:	block3_conv2
False:	block3_conv3
False:	block3_pool
False:	block4_conv1
False:	block4_conv2
False:	block4_conv3
False:	block4_pool
False:	block5_conv1
False:	block5_conv2
False:	block5_conv3
False:	block5_pool



--------------

Epoch 1/20
  1/100 [..............................] - ETA: 24:24 - loss: 2.0064 - categorical_accuracy: 0.2500
……
100/100 [==============================] - 4064s 41s/step - loss: 1.1529 - categorical_accuracy: 0.4490 - val_loss: 0.8731 - val_categorical_accuracy: 0.6189
……
……
100/100 [==============================] - 2850s 29s/step - loss: 0.9524 - categorical_accuracy: 0.5480 - val_loss: 0.8089 - val_categorical_accuracy: 0.6377
Epoch 3/20
  1/100 [..............................] - ETA: 22:19 - loss: 0.6235 - categorical_accuracy: 0.8000
……
 99/100 [============================>.] - ETA: 18s - loss: 0.8497 - categorical_accuracy: 0.6056
100/100 [==============================] - 2404s 24s/step - loss: 0.8499 - categorical_accuracy: 0.6060 - val_loss: 0.7322 - val_categorical_accuracy: 0.7283
……
……
 99/100 [============================>.] - ETA: 11s - loss: 0.6253 - categorical_accuracy: 0.7389
100/100 [==============================] - 1519s 15s/step - loss: 0.6248 - categorical_accuracy: 0.7390 - val_loss: 0.5702 - val_categorical_accuracy: 0.7811
Epoch 10/20
  1/100 [..............................] - ETA: 21:14 - loss: 0.4481 - categorical_accuracy: 0.8000
……
 99/100 [============================>.] - ETA: 12s - loss: 0.6033 - categorical_accuracy: 0.7490
100/100 [==============================] - 1570s 16s/step - loss: 0.6045 - categorical_accuracy: 0.7475 - val_loss: 0.5199 - val_categorical_accuracy: 0.8075
Epoch 11/20
  1/100 [..............................] - ETA: 19:40 - loss: 0.5531 - categorical_accuracy: 0.7500
……
 99/100 [============================>.] - ETA: 12s - loss: 0.5403 - categorical_accuracy: 0.7813
100/100 [==============================] - 1559s 16s/step - loss: 0.5401 - categorical_accuracy: 0.7810 - val_loss: 0.5147 - val_categorical_accuracy: 0.8132
Epoch 15/20
  1/100 [..............................] - ETA: 20:10 - loss: 0.5337 - categorical_accuracy: 0.7000
  2/100 [..............................] - ETA: 19:46 - loss: 0.4598 - categorical_accuracy: 0.8250
……
 99/100 [============================>.] - ETA: 12s - loss: 0.5495 - categorical_accuracy: 0.7601
100/100 [==============================] - 1578s 16s/step - loss: 0.5482 - categorical_accuracy: 0.7610 - val_loss: 0.5832 - val_categorical_accuracy: 0.7491
Epoch 16/20
  1/100 [..............................] - ETA: 20:07 - loss: 0.2315 - categorical_accuracy: 1.0000
……
 19/100 [====>.........................] - ETA: 16:29 - loss: 0.5293 - categorical_accuracy: 0.7816

 

 

 

 

 

一个处女座的程序猿
关注
  • 2
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
生活垃圾图像分类数据集的6图像识别项目：基于VGG16网络的迁移学习
02-02
本项目基于VGG16迁移学习的图像分类，可直接运行。 项目总大小：769MB 项目包含data数据集，生活垃圾数据集，共6个类别【纸板、玻璃、金属、纸张、塑料和垃圾】。data目录里已经划分好了训练集和测试集，训练集（2024张图片）和测试集（503张图片） 网络训练的时候采用cos 学习率自动衰减，训练了100个epoch。模型在测试集最好的表现达到90%精度。在run_results 目录下存有最好的权重文件，已经训练日志和loss、精度曲线等等 预测的时候，只需要运行predict即可，代码会自动将inference下所有图片推理，并取前三个概率最大类别的绘制在左上角 如果想要训练自己的数据集，请查看README文件
草药数据集的五分类图像识别项目：基于VGG16网络的迁移学习
12-17
本项目基于VGG16迁移学习的图像分类，可直接运行。 数据集采用水果十二分类数据集（百合、党参、枸杞、槐花、金银草)，包括696张训练图片和206张预测图片。 网络训练的时候采用cos 学习率自动衰减，训练了50个epoch。模型在测试集最好的表现达到99.5%精度。 如果想要训练自己的数据集，请查看README文件
水果数据集的十二分类图像识别项目：基于VGG16网络的迁移学习
12-16
本项目基于VGG16迁移学习的图像分类，可直接运行。 数据集采用水果十二分类数据集(香蕉、草莓、菠萝、苹果、西瓜、火龙果、葡萄、梨、橘子、猕猴桃、石榴、芒果)，包括2340张训练图片和581张预测图片。 网络训练的时候采用cos 学习率自动衰减，训练了50个epoch。模型在测试集最好的表现达到96%精度。 如果想要训练自己的数据集，请查看README文件
Keras实现预训练网络VGG16迁移学习——CIFAR10分类【80行代码训练&预测&评估】
XerCis的博客
03-26 2998
一、简介 二、训练代码 from keras import optimizers from keras import applications from keras.models import Model from keras.datasets import cifar10 from keras.models import Sequential from keras.utils import to...
Tensorflow: Allocation of XXXXXX exceeds 10% of system memory 可能的原因
冰糖的小屋
12-05 5606
意思是方法分配的空间的大小超过了系统内存的10%
Allocation of 411041792 exceeds 10% of system memory.
weixin_46235937的博客
08-25 1641
出现这种警告可以把batch_size改小一点，这样就不会出现警告了： 出现警告： 将batch_size改成16，警告消失
Allocation of XXXXXXXX exceeds 10% of system memory
weixin_45052904的博客
04-17 4863
在实验室服务器上跑代码遇到了“Allocation of XXXXXXXX exceeds 10% of system memory”的问题，一个博客中写的是： 这个问题的原因主要是两种：一种是你的硬盘容量太小，没有办法保存训练好的模型；还有一种原因就是你的硬盘中没有你代码中保存训练模型的文件夹路径。 所以我改了模型的大小，但是仍旧存在问题，甚至发现当前模型比之前一个可以运行的模型（基于同一数据集）参数量更少但还是报这个错误。我对比了一下，发现如果使用tensorflow.keras包就不会报错，如果直
报错：Allocation of ******* exceeds 10% of free system memory.
Iv_zzy的博客
06-20 8971
存储空间不足，导致模型训练时报错
Keras实现vgg16网络和迁移学习
skycol的博客
10-03 1701
1.VGG-Net介绍，2.keras定义vgg16，3.keras实现vgg16迁移学习 ，4.预测新图-识别猫咪
深度学习VGG模型提取特征
weixin_42560055的博客
11-24 4586
用VGG-16预训练好的模型提取特征，通过相关学者预训练好的模型使用的都是公开的标准数据集，所以我们直接用预训练的模型提取我们自己图像的特征，可以用于对图像进行描述。 1、首先就要下载模型结构 预训练好的模型是VGG16.npy，这个文件需要单独下载，上面那个连接上有下载连接，不过一般打不开，我把网盘地址分享 出来，希望可以帮助需要的人。 文件test_vgg16.py可以用于提取特征。其中vgg16.npy是需要单独下载的文件。 2、使用预训练的模型提取特征 github地址：https://githu
keras实现VGG16方式(预测一张图片)
09-16
主要介绍了keras实现VGG16方式(预测一张图片)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
水果、蔬菜分类数据集的28图像识别项目：基于VGG16网络的迁移学习
01-24
本项目基于VGG16迁移学习的图像分类，可直接运行。 项目总大小：815MB 项目包含data数据集，水果蔬菜数据集，共28个类别【苹果，香蕉，甜菜根，卷心菜，胡萝卜，花椰菜，玉米，黄瓜，茄子，姜，葡萄，猕猴桃，柠檬...
猫狗数据集的二分类图像识别项目：基于VGG16网络的迁移学习
12-14
本项目基于VGG16迁移学习的图像分类，可直接运行。 数据集采用猫狗二分类数据集，包括2180张训练图片和414张预测图片。 网络训练的时候采用cos 学习率自动衰减，训练了50个epoch。模型在测试集最好的表现达到99%精度...
keras迁移学习猫狗大战-Vgg16
roymustang的博客
04-02 537
VGG16模型 转载vgg16-Bubbliiiing VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。 该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。 可能大家会想，这样一个
利用VGG16网络模块进行迁移学习，实操（附源码）
热门推荐
土豆
06-22 1万+
原文代码+Food_5K数据集，提取码：zws7 什么是迁移学习 当数据集没有大到足以训练整个CNN网络时，通常可以对预训练好的imageNet网络（如VGG16，Inception-v3等）进行调整以适应新任务。 通常来说，迁移学习有两种类型： 特征提取 微调（fine-tuning） 第一种迁移学习是将预训练的网络视为一个任意特征提取器。图片经过输入层，然后前向传播，最后在指定层停......
基于Keras的训练优化策略改进VGG16模型在CIFAR-10数据集上的研究
u012661539的博客
05-19 1180
本文旨在探究基于Keras的改进VGG16模型在CIFAR-10数据集上的应用。CIFAR-10是一个广泛应用于计算机视觉领域的数据集，包含10个不同类别的图像。针对CIFAR-10数据集的特点，我们对经典的VGG16模型进行了改进，以提高其在该数据集上的性能。改进的方法包括对模型进行了一系列的调整和优化。首先，我们针对CIFAR-10数据集的小尺寸图像和多类别分类任务进行了适应性调整，以确保模型更好地适应该数据集的特征。其次，我们采用了更深的网络结构，并引入了适当的正则化机制，以减轻过拟合的问题。
Keras学习2：使用自己的数据实现迁移学习微调VGG-16
qq_16452745的博客
05-17 2898
Why Keras？ 由于TensorFlow更加注重底层设计，加载别人训练好的模型进行迁移学习非常麻烦，因此在这种场景下更多地使用Keras、TensorLayer等高层API 基于Keras和VGG-16的迁移学习 VGG-16是目前最常用的CNN之一，其网络结构不再赘述 大多数图像分类问题的数据规模通常较小（训练样本量基本上在10k以下），使用随机初始化的CNN进行训练，往往效果不好。此时最...
tensorflow学习（5）之CNN
juliarjuliar的博客
05-10 725
莫凡2017tensorflow（使用更简便版）https://github.com/MorvanZhou/Tensorflow-Tutorial CNN卷积神经网络（Convolutional Neural Networks） https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-03-A-CNN/ 在前面...
nodejs-x64-0.10.21.tgz
最新发布
05-11
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
基于cifar-10数据集生成vgg16代码使得数据集各种类分辩率达85%
05-25
以下是基于CIFAR-10数据集生成的VGG16代码，可以使得各种类的分辨率达到85%。请注意，这只是一个基础模型，您可以根据需要进行调整和优化。 ```python import tensorflow as tf from tensorflow.keras import layers from tensorflow.keras.datasets import cifar10 # 导入CIFAR-10数据集 (x_train, y_train), (x_test, y_test) = cifar10.load_data() # 数据预处理 x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 # 定义VGG16模型 def vgg16_model(): model = tf.keras.Sequential() model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same', input_shape=(32, 32, 3))) model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(128, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dense(10, activation='softmax')) return model # 创建VGG16模型 model = vgg16_model() # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test)) # 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test) print('Test Accuracy:', test_acc) ``` 通过训练这个模型，您应该可以达到85%左右的测试准确率。如果需要更高的准确率，您可以尝试添加更多的卷积层或调整超参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一个处女座的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值