正文 

当前位置： 首页 > java > java教程

神经网络cnn—cifar_10图像识别(代码片段)

fpzs fpzs     2023-01-04     750

关键词： 


 1 from keras.datasets import cifar10
 2 from keras.utils import np_utils
 3 import matplotlib.pyplot as plt
 4 from keras.models import load_model
 5 import numpy as np
 6 np.random.seed(10)
 7 (x_img_train,y_label_train),(x_img_test,y_label_test)=cifar10.load_data()
 8 print(‘train data=‘,len(x_img_train))
 9 print(‘test data=‘,len(x_img_test))
10 print(‘x_train_image:‘,x_img_train.shape)
11 print(‘x_test_image:‘,x_img_test.shape)
12 x_img_train_4D=x_img_train.reshape(x_img_train.shape[0],32,32,3).astype(‘float32‘)
13 x_img_test_4D=x_img_test.reshape(x_img_test.shape[0],32,32,3).astype(‘float32‘)
14 x_img_train_normalize=x_img_train_4D/255.0
15 x_img_test_normalize=x_img_test_4D/255.0
16 print(x_img_train_normalize[0][0][0])
17 y_label_train_OneHot=np_utils.to_categorical(y_label_train)
18 y_label_test_OneHot=np_utils.to_categorical(y_label_test)
19 print(y_label_train_OneHot[:5])
20 from keras.models import Sequential
21 from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPooling2D,ZeroPadding2D,Activation
22 model=Sequential()
23 model.add(Conv2D(filters=32,
24                  kernel_size=(3,3),
25                  padding=‘same‘,
26                  input_shape=(32,32,3),
27                  activation=‘relu‘))
28 model.add(Dropout(0.25))
29 model.add(MaxPooling2D(pool_size=(2,2)))
30 model.add(Conv2D(filters=64,
31                  kernel_size=(3,3),
32                  padding=‘same‘,
33                  activation=‘relu‘))
34 model.add(Dropout(0.25))
35 model.add(MaxPooling2D(pool_size=(2,2)))
36 model.add(Flatten())
37 model.add(Dropout(0.25))
38 model.add(Dense(1024,activation=‘relu‘))
39 model.add(Dropout(0.25))
40 model.add(Dense(10,activation=‘softmax‘))
41 print(model.summary())
42 model.compile(loss=‘categorical_crossentropy‘,
43               optimizer=‘adam‘,metrics=[‘accuracy‘])
44 try:
45     model=load_model("CnnModel.h5")
46     print("Load model successfully!Continuous training model!......")
47 except :
48     print("Failure of loading model!Start training a new model......")
49 
50 train_history=model.fit(x=x_img_train_normalize,
51                         y=y_label_train_OneHot,validation_split=0.2,
52                         epochs=5,batch_size=128,verbose=1)
53 model.save("CnnModel.h5")
54 print("Saved model to disk")
55 def show_train_history(train_history,train,validation):
56     plt.plot(train_history.history[train])
57     plt.plot(train_history.history[validation])
58     plt.title(‘Train History‘)
59     plt.ylabel(train)
60     plt.xlabel(‘Epoch‘)
61     plt.legend([‘train‘,‘validation‘],loc=‘upper left‘)    #显示左上角标签
62     plt.show()
63 show_train_history(train_history,‘acc‘,‘val_acc‘)
64 show_train_history(train_history,‘loss‘,‘val_loss‘)
65 scores=model.evaluate(x_img_test_normalize,y_label_test_OneHot)
66 print()
67 print(‘accuracy‘,scores[1])
68 prediction=model.predict_classes(x_img_test_normalize)
69 print("prediction[:10]",prediction[:10])
70 import matplotlib.pyplot as plt
71 label_dict=0:"airplane",1:"automobile",2:"bird",3:"cat",4:"deer",5:"dog",6:"frog",7:"horse",8:"ship",9:"truck"
72 def plot_image_labels_prediction_1(image,labels,prediction,idx,num=10):
73     fig=plt.gcf()
74     fig.set_size_inches(12,14)
75     if num>25:num=25
76     for i in range(0,num):
77         ax=plt.subplot(5,5,i+1)
78         ax.imshow(image[idx],cmap=‘binary‘)
79         title=str(i)+‘,‘+label_dict[labels[i][0]]
80         if len(prediction)>0:
81             title+="=>"+label_dict[prediction[i]]
82         ax.set_title(title,fontsize=10)
83         ax.set_xticks([]);ax.set_yticks([])
84         idx+=1
85     plt.show()
86 plot_image_labels_prediction_1(x_img_test,y_label_test,prediction,0,10)
87 Predicted_Probability=model.predict(x_img_test_normalize)
88 def show_Predicted_Probability(y,prediction,x_img_test,Predicted_Probability,i):
89     print(‘label:‘,label_dict[y[i][0]],‘predict:‘,label_dict[prediction[i]])
90     plt.figure(figsize=(2,2))
91     plt.imshow(np.reshape(x_img_test[i],(32,32,3)))
92     plt.show()
93     for j in range(10):
94         print(label_dict[j]+
95               ‘Probability:%1.9f‘%(Predicted_Probability[i][j]))
96 show_Predicted_Probability(y_label_test,prediction,x_img_test,Predicted_Probability,0)
97 show_Predicted_Probability(y_label_test,prediction,x_img_test,Predicted_Probability,3)
################################

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

技术分享图片

 

 

 

 

 

 

 

 

 

 


深度学习实战keras构建cnn神经网络完成cifar100类别分类(代码片段)

Keras构建CNN神经网络完成CIFAR100类别分类1.CIFAR100数据集介绍2.API使用3.步骤分析以及代码实现(缩减版LeNet5)4.完整代码1.CIFAR100数据集介绍这个数据集就像CIFAR-10，除了它有100个类，每个类包含600个图像。，每类各有500个... 查看详情

深度学习——用简单的线性模型构建识别鸟与飞机模型(代码片段)

...文仅为深度学习的入门学习，故采用线性模型而非CNN处理图像数据集。一、准备工作1.下载CIFAR-10数据集这是一个\\(32\\times32\\)像素的RGB图像集合，用于学习使用。fromtorchvisionimportdatasetsdata_path="./data/"cifar10=datasets.CIFAR10(root=data_path... 查看详情

paddlepaddle系列cifar-10图像分类(代码片段)

...类别作为输出。这里不同的是，不仅仅是使用简单的卷积神经网络加上全连接层的模型。卷积神经网络大火以来，发展出来许多经典的卷积神经网络模型，包括VGG、ResNet、AlexNet等等。下面将针对CIFAR-10数据集，对图像进行分类。... 查看详情

实战keras——用cnn实现cifar10图像分类(代码片段)

原文：https://blog.csdn.net/zzulp/article/details/76358694 importkerasfromkeras.datasetsimportcifar10fromkeras.modelsimportSequentialfromkeras.layersimportDense,Dropout,Activation,Flattenfromkeras.l 查看详情

基于kaggle平台的cifar-10-objectrecognitioninimages分类问题(代码片段)

本节我们来利用卷积神经网络（CNN）来实现kaggle平台上的CIFAR-10-ObjectRecognitionInImages图像分类问题。相关数据下载地址为：https://www.kaggle.com/c/cifar-10/data新建python3文件 cifar_model_1一、import相关模块import进相关模块并查看版本%mat... 查看详情

cifar-10图像识别(代码片段)

零、学习目标tensorflow数据读取原理深度学习数据增强原理一、CIFAR-10数据集简介是用于普通物体识别的小型数据集，一共包含10个类别的RGB彩×××片（包含：（飞机、汽车、鸟类、猫、鹿、狗、蛙、马、船、卡车）。图片大小均... 查看详情

基于卷积神经网络的cifar10图像分类(代码片段)

基于CNN的CIFAR10图像分类一、CIFAR10数据集介绍1.1数据集介绍1.2数据集的下载和测试二、实验步骤2.1定义标签字典2.2数据预处理2.3定义网络结构2.4查看模型摘要2.5模型训练2.6可视化训练过程数据2.7评估模型及预测2.8应用模型及预测... 查看详情

小白学习keras教程六基于cifar-10数据集训练cnn-rnn神经网络模型(代码片段)

@Author：Runsen文章目录LoadDataset1.CNN-RNN2.CNN-RNN-2LoadDatasetCIFAR-10datasetimportnumpyasnpfromsklearn.metricsimportaccuracy_scorefromtensorflow.keras.datasetsimportcifar10fromtensorflow.keras.utilsimp 查看详情

深度学习基于tensorflow的小型物体识别训练（数据集：cifar-10）(代码片段)

​活动地址：CSDN21天学习挑战赛目录前言了解CIFAR-10数据集CIFAR-10数据集与MNIST数据集的区别下载数据集官方下载地址（较慢）使用tensorflow下载（推荐）使用迅雷（推荐）采用CPU训练还是GPU训练区别使用... 查看详情

图像识别基于卷积神经网络cnn实现车牌识别matlab源码(代码片段)

...很多问题方面都表现出非常好的性能。在不同类型的深度神经网络当中，卷积神经网络是得到最深入研究的。早期由于缺乏训练数据和计算 查看详情

pythonkeras_cnn_cifar10.py(代码片段)

查看详情

第七节：cnn练习1使用四种网络结构（vggresnetmobilenetinceptionnet）进行cifar10训练(代码片段)

文章目录一：cifar10数据集介绍二：代码（1）数据加载脚本编写（2）模型搭建①：VGG②：ResNet③：MobileNetV1④：InceptionNet（3）训练脚本一：cifar10数据集介绍cifar10数据集：CIFAR-... 查看详情

任务6任务6利用knn进行图像识别(代码片段)

任务流程：　　1.读取图片文件　　2.用knn识别图片文件并用k折交叉验证调参　　3.用PCA对文件降维，用knn识别文件　　4.抽取图片特征然后交给knn训练 一、文件的读取、可视化、以及采样数据的初始化及其读取：fromload_dataim... 查看详情

利用卷积神经网络处理cifar图像分类(代码片段)

这是一个图像分类的比赛CIFAR( CIFAR-10-ObjectRecognitioninImages )首先我们需要下载数据文件，地址：http://www.cs.toronto.edu/~kriz/cifar.htmlCIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。有50000张训练图像和10000... 查看详情

cifar-10数据集应用：快速入门数据增强方法mixup，显著提升图像识别准确度(代码片段)

...据集应用：快速入门数据增强方法Mixup，显著提升图像识别准确度作者｜Ta-YingCheng，牛津大学博士研究生，Medium技术博主，多篇文章均被平台官方刊物TowardsDataScience收录翻译｜颂贤深度学习蓬勃发展的... 查看详情

cnn训练错误执行tensorflowpython以识别狗和猫的图像(代码片段)

...根据我在谷歌上看到的，但我不确定，因为我是CNN类型的神经网络的 查看详情

使用python，keras和tensorflow训练第一个cnn(代码片段)

...个CNN这篇博客将介绍如何使用Python和Keras训练第一个卷积神经网络架构——ShallowNet，并在动物和CIFAR-10数据集上对其进行了训练。ShallowNet对动物的分类准确率为71%，比以前使用简单前馈神经网络的最佳分类准确率提高了12... 查看详情

使用python，keras和tensorflow训练第一个cnn(代码片段)

...个CNN这篇博客将介绍如何使用Python和Keras训练第一个卷积神经网络架构——ShallowNet，并在动物和CIFAR-10数据集上对其进行了训练。ShallowNet对动物的分类准确率为71%，比以前使用简单前馈神经网络的最佳分类准确率提高了12... 查看详情