文章目录

前言
一、数据集
二、代码
- 1.下载数据集
- 2.统计并观察数据
- 3，构建数据集
- 4，迁移学习进行分类

前言

利用TensorFlow实现对花朵数据集的图片分类

提示：以下是本篇文章正文内容，下面案例可供参考

一、数据集

数据集是五个分别存放着对应类别花朵图片的五个文件夹，包括daisy（雏菊）633张；dandelion（蒲公英）898张，rose（玫瑰）641张，sunflower（向日葵）699张，tulips（郁金香）799张。

二、代码

1.下载数据集

import tensorflow as tf
AUTOTUNE = tf.data.experimental.AUTOTUNE
import pathlib
data_root_orig = tf.keras.utils.get_file(origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz', fname='flower_photos', untar=True)
data_root = pathlib.Path(data_root_orig)
print(data_root)
for item in data_root.iterdir():  print(item)

打印下载后的文件路径和文件成员：
output：C:\Users\Administrator.keras\datasets\flower_photos
C:\Users\Administrator.keras\datasets\flower_photos\daisy
C:\Users\Administrator.keras\datasets\flower_photos\dandelion
C:\Users\Administrator.keras\datasets\flower_photos\LICENSE.txt
C:\Users\Administrator.keras\datasets\flower_photos\roses
C:\Users\Administrator.keras\datasets\flower_photos\sunflowers
C:\Users\Administrator.keras\datasets\flower_photos\tulips

2.统计并观察数据

#获取五个文件夹的名字
label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir())
label_names

output：[‘daisy’, ‘dandelion’, ‘roses’, ‘sunflowers’, ‘tulips’]

#将文件夹的名字（即花的分类）标上序号
label_to_index = dict((name, index) for index, name in enumerate(label_names))
label_to_index

{‘daisy’: 0, ‘dandelion’: 1, ‘roses’: 2, ‘sunflowers’: 3, ‘tulips’: 4}

#获取所以图片的标签（0,1，2,3，4）
import random
all_image_paths = list(data_root.glob('*/*'))
all_image_paths = [str(path) for path in all_image_paths]
random.shuffle(all_image_paths)
image_count = len(all_image_paths)
image_countall_image_labels = [label_to_index[pathlib.Path(path).parent.name]for path in all_image_paths]
print("First 10 labels indices: ", all_image_labels[:10])

3670
First 10 labels indices: [0, 2, 3, 4, 2, 1, 4, 1, 4, 0]

下面我们先来观察一张图片

#观察第一张图片
img_path = all_image_paths[0]
img_path

‘C:\Users\Administrator\.keras\datasets\flower_photos\daisy\11124324295_503f3a0804.jpg’

#读取原图
img_raw = tf.io.read_file(img_path)
#转换成TensorFlow可以使用的tensor类型
img_tensor = tf.image.decode_image(img_raw)
print(img_tensor.shape)
print(img_tensor.dtype)

(309, 500, 3)
<dtype: ‘uint8’>

#对图片按要求进行转换，这里将size规定到【192,192】；值域映射到【0,1】
img_final = tf.image.resize(img_tensor, [192, 192])
img_final = img_final/255.0
print(img_final.shape)
print(img_final.numpy().min())
print(img_final.numpy().max())

(192, 192, 3)
0.0
0.99984366

定义预处理和加载函数

def preprocess_image(image):  image = tf.image.decode_jpeg(image, channels=3)  image = tf.image.resize(image, [192, 192])  image /= 255.0  # normalize to [0,1] range  return imagereturn image
def load_and_preprocess_image(path):  image = tf.io.read_file(path)  return preprocess_image(image)

导入matpoltlib进行画图（导入失败的解决方案见我的另一篇博文）

import matplotlib.pyplot as plt
image_path = all_image_paths[0]
label = all_image_labels[0]
print (load_and_preprocess_image(img_path))
plt.imshow(load_and_preprocess_image(img_path))
plt.grid(False)

3，构建数据集

使用tf.data.Dataset来构建规范的数据集

#“from_tensor_slices ”方法使用张量的切片元素构建图片路径的数据集
path_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)
#同理，构建标签数据集，并用tf.cast转换成int64数据类型
label_ds = tf.data.Dataset.from_tensor_slices(tf.cast(all_image_labels, tf.int64))
#根据路径获取图片，并经过加载和预处理得到图片数据集
image_ds = path_ds.map(load_and_preprocess_image )
image_ds

将image_ds和label_ds打包成新的数据集

image_label_ds = tf.data.Dataset.zip((image_ds, label_ds))
print(image_label_ds)

画图查看我们构造完成的新数据

plt.figure(figsize=(8,8))
for n,image_label in enumerate(image_label_ds.take(4)):plt.subplot(2,2,n+1)plt.imshow(image_label[0])plt.grid(False)

4，迁移学习进行分类

接下来用创建的数据集训练一个分类模型，简单起见，直接用tf.keras.applications包中训练好的模型，并将其迁移到我们的图片分类问题上来。这里使用的模型是MobileNetV2模型

#迁移MobileNetV2模型，并且不加载顶层
base_model=tf.keras.applications.mobilenet_v2.MobileNetV2(include_top=False,weights='imagenet',input_shape=(192,192,3))
inputs=tf.keras.layers.Input(shape=(192,192,3))#模型可视化1，使用model.summary()方法
base_model.summary()

接下来，我们打乱一下数据集，并定义好训练过程中每个批次（Batch）数据的大小

#使用shuffle方法打乱数据集
image_count = len(all_image_paths)
ds = image_label_ds.shuffle(buffer_size = image_count)
#让数据集重复多次
ds = ds.repeat()
#设置每个批次的大小
BATCH_SIZE = 32
ds = ds.batch(BATCH_SIZE)
#通过prefetch方法让模型的训练和每个批次数据的加载并行
ds = ds.prefetch(buffer_size = AUTOTUNE)

然后，针对MobileNetV2改变一样数据集的取值范围，因为MobileNetV2接受输入的数据值域是【-1,1】，而我们之前的预处理函数将图片的像素值映射到【0,1】

def change_range(image,label):return 2*image-1,label
keras_ds = ds.map(change_range)

接下来定义模型，由于预训练好的MobileNetV2返回的数据维度是（32,6，6,128），其中32是一个批次Batch的大小，“6,6”是输出的特征的大小为6*6,1280代表该层使用的1280个卷积核。为了使用花朵分类问题，需要做一下调整

model = tf.keras.Sequential([base_model,tf.keras.layers.GlobalAveragePooling2D(),tf.keras.layers.Dense(len(label_names),activation="softmax")])

如上代码，我们用Sequentail建立我们的网络结构，base_model是迁移过来的模型，我们添加了全局评价池化层GlobalAveragePooling，经过此操作6*6的特征被降维，变为（32,1280）。最后，由于该分类问题有五个结果，我们增加一个全连接层（Dense）将维度变为（32,5）。

最后，编译一下模型，同时制定使用的优化器，损失函数和评价标准

model.compile(optimizer = tf.keras.optimizers.Adam(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.summary()

使用model.fit训练模型，epochs是训练的回合数，step_per_epoch代表每个回合要去多少个批次数据。通常等于我们数据集大小除以批次大小后取证（3670/32≈10）

model.fit(ds,epochs=10,steps_per_epoch=100)

虽然没有跑完整个代码，但是已经能看出来准确度达到一个很高的程度，并在逐步上升。

TensorFlow实现对花朵数据集的图片分类（保证运行成功）相关推荐

【tensorflow 深度学习】8.训练图片分类模型
1.训练图片分类模型的三种方法 (1).从无到有,先确定好算法框架,准备好需要训练的数据集,从头开始训练,参数一开始也是初始化的随机值,一个批次一个批次地进行训练. (2).准备好已经训练好的模型,权 ...
深度学习基础实战使用MNIST数据集对图片分类
本文代码完全借鉴pytorch中文手册 '''我们找到数据集,对数据做预处理,定义我们的模型,调整超参数,测试训练,再通过训练结果对超参数进行调整或者对模型进行调整.''' import torch ...
【经典算法必读】图片分类系列之（一）: 你真的了解图片分类(Image Classification)吗？...
欢迎关注我的个人微信公众号:小纸屑图片分类是机器学习经典问题,也是深度学习声名鹊起之作.正是2012年AlexNet在图片分类竞赛ImageNet出乎寻常的性能,使得深度学习一夜爆红,方有今天人工智 ...
（学生快速上手向）python图片分类识别器
本文着重讲不学无术的大学生如何快速上手跑出结果.本项目基于resnet34识别四类示意图,由cat vs dog项目改写而来.文末会说明如何快速把它改成你想要的项目(图片二分类等). 项目代码.数据集 ...
求助，在使用TensorFlow进行花朵图片分类时，想把数据集的图片转化为tfrecord文件，但是程序运行后没有反应，不知道问题出在哪里
求助,在使用TensorFlow进行花朵图片分类时,想把数据集的图片转化为tfrecord文件,但是程序运行后没有反应,一直显示服务空闲,不知道问题出在哪里,一下是我的程序,希望可以指点我一下哪里出了 ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Functional)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果下边两张 ...
DL之LiRDNNCNN：利用LiR、DNN、CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测
DL之LiR&DNN&CNN:利用LiR.DNN.CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测目录输出结果设计思路核心代码输出结果数据集:Da ...
TensorFlow精进之路（十六）：使用slim模型库对图片分类
1.概述 TF-slim是tensorflow的一个轻量级库,它将很多常见tensorflow函数进行封装,使的模型的构建.训练.测试都更加简洁,特别适用于构建结构复杂的深度神经网络.github地址 ...
TF之GD：基于tensorflow框架搭建GD算法利用Fashion-MNIST数据集实现多分类预测(92%)
TF之GD:基于tensorflow框架搭建GD算法利用Fashion-MNIST数据集实现多分类预测(92%) 目录输出结果实现代码输出结果 Successfully downloaded t ...
DL之CNN：利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测
DL之CNN:利用卷积神经网络算法(2→2,基于Keras的API-Sequential)利用MNIST(手写数字图片识别)数据集实现多分类预测目录输出结果设计思路核心代码输出结果 1.10 ...

TensorFlow实现对花朵数据集的图片分类（保证运行成功）