pandlepandle+OpenCV+Pyqt+猫狗分类

最新推荐文章于 2024-03-10 20:24:02 发布

大胖东

最新推荐文章于 2024-03-10 20:24:02 发布

阅读量1.3k

点赞数

分类专栏：机器学习 Python

本文链接：https://blog.csdn.net/qq_42583263/article/details/103742177

版权

16 篇文章 0 订阅

订阅专栏

4 篇文章 0 订阅

订阅专栏

代码分析

数据准备我使用的是kaggle数据集。用来训练的数据集包含600张的彩色图片，2个类别，每个类包含300张。对猫和狗两类进行预测。
网络配置定义了一个较简单的卷积神经网络。显示了其结构：输入的二维图像，先经过三次卷积层、池化层和Batchnorm，再经过全连接层，最后使用softmax分类作为输出层。
模型训练定义运算场所为 fluid.CUDAPlace(0)采用的二分类分类器，学习率为learning_rate=0.001把猫和狗的图片分别放在两个文件夹中，再分别读取，将其保存为list格式，并保存一个json文件# 说明的json文件的class_detail数据
class_detail_list[‘class_name’] = class_dir
class_detail_list[‘class_label’] = class_label
class_detail_list[‘class_test_images’] = test_sum
class_detail_list[‘class_trainer_images’] = trainer_sum
class_detail.append(class_detail_list)
class_label += 1
每一个Pass训练结束之后，再使用验证集进行验证，并打印出相应的损失值cost和准确率acc。
模型测试在测试之前，要对图像进行预处理。首先将图片大小调整为32*32，接着将图像转换成一维向量，最后再对一维向量进行归一化处理。通过fluid.io.load_inference_model，预测器会从params_dirname中读取已经训练好的模型，来对从未遇见过的数据进行预测。