深度学习项目实战-图像分类与CIFAR-10

CIFAR-10有5万个训练数据，1万多个测试数据 ；可直接下载使用

重要代码：载入数据，如果没有会自动在网上下载：

X_train, Y_train), (X_test, Y_test) = cifar10.load_data()

#对输入进行归一化处理

X_train=X_train /255

X_test =X_test /255

#对于输出进行one-hot-coding

Y_train = keras.utils.to_categorical(Y_train, 10)

Y_test = keras.utils.to_categorical(Y_test, 10)

# 进行数据增强

datagen = ImageDataGenerator

(

rotation_range=10, # randomly rotate images in the range (degrees, 0 to 180)

width_shift_range=0.2, # randomly shift images horizontally (fraction of total width)

height_shift_range=0.2, # randomly shift images vertically (fraction of total height)

horizontal_flip=True, # randomly flip images

vertical_flip=True # randomly flip images

)

 datagen.fit(X_train)

#导入预训练好权重的残差神经网络RESNET50

res_model = keras.applications.resnet50.ResNet50(weights='imagenet', include_top=False,

input_shape=(200, 200, 3))

res_model.summary()

#定义优化器和编译模型

 

adam=keras.optimizers.Adam(lr=0.0001,beta_1=0.9,beta_2=0.999,epsilon=1e-08)

model.compile(optimizer=adam, loss='binary_crossentropy', metrics=['acc'])

#训练模型，用测试集做VALIDATION数据直接查看测试结果

batch_size=20

model.fit_generator(datagen.flow(X_train, Y_train,batch_size=batch_size),

steps_per_epoch=X_train.shape[0]   // batch_size,

epochs=1,

validation_data=(X_test, Y_test))

主要流程介绍：

1.任务和模型定义：在CIFAR-10数据集上常见目标的分类；

2.数据处理与特征工程：对数据进行了归一化和one-hot-coding等处理，做

了数据增强；

3.模型搭建与训练：下载了预训练好的RESNET50，加入了UPSAMPLING

层，用了ADAM优化器，同时采用了mini-Batch的方式进行训练，只训练了1

个EPOCH；

4.模型测试及优化：通过数据增强和迁移学习，仅用了5万个训练数据中的

200个数据，1个Epoch的训练就让模型在测试集上面准确度就接近了90%。