离线使用cifar-10-batches-py.tar.gz失败

离线使用cifar-10-batches-py.tar.gz失败

代码中使用数据集

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

本地没有下载过的话，pycharm中运行程序链接官网在线下载（非常慢）
所以网盘下载cifar-10-python.tar.gz并更名为cifar-10-batches-py.tar.gz
确保项目文件夹中不包含cifar-10-batches-py以及cifar-10-python文件夹也就是不包含有关cifar的文件夹
不然的话它会显示本地存在但是文件不完整或者损坏从而进行在线下载
之后将cifar-10-batches-py.tar.gz放在C:\Users\XXX\.keras\datasets文件夹就可以使用啦

卷积神经网络（Convolutional Neural Network, CNN）

导入Tensorflow

import tensorflow as tf

from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

下载并准备CIFAR10数据集

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0

验证数据

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    # 由于 CIFAR 的标签是 array， 
    # 因此您需要额外的索引（index）。
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

构造卷积神经网络模型

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

增加Dense层

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

编译并训练模型

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

评估模型

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)


print(test_acc)
0.7203999757766724