Cifar-10图像分类任务

Cifar-10数据集

Cifar-10数据集是由10类32*32的彩色图片组成的数据集，一共有60000张图片，每类包含6000张图片。其中50000张是训练集，1000张是测试集。

数据集的下载地址：http://www.cs.toronto.edu/~kriz/cifar.html

1. 获取每个batch文件中的字典信息

import pickle
def unpickle(file):
	fo = open(file,'rb')
	dick = pickle.load(fo,encoding='latin1')
	fo.close()
	return dick

在字典结构中，每一张图片是以被展开的形式存储，即一张32*32*3的图片被展开成3072长度的list，每一个数据的格式为unit8，前1024为红色通道，中间1024为绿色通道，后1024为蓝色通道。

2.图像预处理。对数据进行标准化操作，按照一定比例进行缩放，使其落入一个特定的区域，便于操作处理。提高了处理速度。

import numpy as np
def clean(data):
	imgs = data.reshape(data.shape[0],3,32,32)    #shape[0] data第一维的长度（数量）
	grayscale_imgs = imgs.mean(1)
	cropped_imgs = grayscale_imgs[:,4:28,4:28]
	img_data = cropped_imgs.reshape(data.shape[0],-1)
	img_size = np.shape(img_data)[1]
	means = np.mean(img_data,axis=1)
	meansT = means.reshape(len(means),1)
	stds = np.std(img_data,axis=1)
	stdsT = stds.reshape(len(stds),1)
	adj_stds = np.maximum(stdsT,1.0/np.sqrt(img_size))
	normalized = (img_data - meansT) / adj_stds
	return normalized

mean(axis)函数：求平均值。对m*n的矩阵来说

axis=0:压缩行，对各列求平均值，返回1*n矩阵。

axis=1:压缩列，对各行求平均值，返回m*1矩阵。

axis不设置值，对m*n个数求平均值，返回一个实数。

reshape()函数：改变数组的形状。

reshape((2,4)):变为一个二维数组；reshape((2,2,2)):变为一个三维数组

当有一个参数为-1时，会根据另一个参数的维度计算数组的另外一个shape属性值。

如reshape(data.shape[0],-1):行为data.shape[0]行，列自动算出。data.shape[0]:data第一维的长度。

3.图像数据读取

def read_data(directory):
	names = unpickle('{}/batches.meta'.format(directory))['label_names']
	
	print('dede')
	print('names',names)
	print('dede')
	
	data,labels = [],[]
	#一个batch一个batch的去读取batch数据
	for i in range(1,6):
		filename = '{}/data_batch_{}'.format(directory,i)
		batch_data = unpickle(filename)
		#拼加操作
		if len(data) > 0:
			data = np.vstack((data,batch_data['data']))
			labels = np.hstack((labels,batch_data['labels']))
		else:
			data = batch_data['data']
			labels &#