1.项目简介

1.数据集

cat_12数据集包含3个部分，训练集cat_12_train,测试集cat_test,以及存储图片名称及标签的train_list.txt

2.数据预处理

首先，定义一个prepare_image函数，取出文本文件中的图片路径与标签，并且打乱顺序

def prepare_image(file_path):X_train = []y_train = []with open(file_path) as f:context = f.readlines()random.shuffle(context)for str in context:str = str.strip('\n').split('\t')X_train.append('./cat_12/' + str[0])y_train.append(str[1])return X_train, y_train

再定义一个preprocess_image进行图片归一化操作，将像素值限制在0-1之间。

# 数据归一化
def preprocess_image(image):image = tf.io.read_file(image)image = tf.image.decode_jpeg(image, channels=3)image = tf.image.resize_with_pad(image, 227, 227)image = image / 255.0return image

三、主函数部分

导包：tqdm包用于打印进度条

from dataset import prepare_image, preprocess_image
import tensorflow as tf
from tqdm import tqdm
import numpy as np
from matplotlib import pyplot as plt

数据预处理：

X_train, y_train = prepare_image('./cat_12/train_list.txt')
train_images = []for i in tqdm(X_train):train_image = preprocess_image(i)train_images.append(train_image)from tensorflow import kerastrain_images = np.array(train_images)
print(train_images.shape)
y_train = keras.utils.to_categorical(y_train, 12)

定义LRN层：

class LRN(keras.layers.Layer):def __init__(self, depth_radius=5, bias=1, alpha=1, beta=0.5, **kwargs):super().__init__(**kwargs)self.depth_radius = depth_radiusself.bias = biasself.alpha = alphaself.beta = betadef call(self, input):return tf.nn.lrn(input, self.depth_radius, self.bias, self.alpha, self.beta)def get_config(self):base_config = super().get_config()return {**base_config, 'depth_radius': self.depth_radius,'bias': self.bias, 'alpha': self.alpha, 'beta': self.beta}

构建模型：

model = keras.Sequential()
# 第一层
model.add(keras.layers.Conv2D(filters=96, kernel_size=(11, 11), strides=(4, 4), input_shape=(227, 227, 3), padding="VALID",activation="relu"))
model.add(LRN())
model.add(keras.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding="same"))
# 第二层
model.add(keras.layers.Conv2D(filters=256, kernel_size=(5, 5), strides=(1, 1), padding="SAME", activation="relu"))
model.add(LRN())
model.add(keras.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding="same"))
# 第三层
model.add(keras.layers.Conv2D(filters=384, kernel_size=(5, 5), strides=(1, 1), padding="SAME", activation="relu"))
# 第四层
model.add(keras.layers.Conv2D(filters=384, kernel_size=(5, 5), strides=(1, 1), padding="SAME", activation="relu"))
# 第五层
model.add(keras.layers.Conv2D(filters=256, kernel_size=(5, 5), strides=(1, 1), padding="SAME", activation="relu"))
model.add(keras.layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2), padding="same"))
# 第六层
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(4096, activation="relu"))
model.add(keras.layers.Dropout(0.5))
# 第七层
model.add(keras.layers.Dense(4096, activation="relu"))
model.add(keras.layers.Dropout(0.5))
# 第八层
model.add(keras.layers.Dense(12, activation="softmax"))# keras.utils.plot_model(model=model, to_file='AlexNet.png', show_shapes=True)model.compile(loss="categorical_crossentropy", optimizer="sgd", metrics=["accuracy"])
history = model.fit(train_images, y_train, epochs=50, batch_size=16, validation_split=0.2)model.save('the_AlexNet_model.h5')

打印误差曲线：

def show_training_history(train_history, train, val):plt.plot(train_history[train], linestyle='-', color='b')plt.plot(train_history[val], linestyle='--', color='r')plt.xlabel('Epoch', fontsize=12)plt.ylabel('train', fontsize=12)plt.legend(['train', 'validation'], loc='lower right')plt.show()show_training_history(history.history, 'loss', 'val_loss')
show_training_history(history.history, 'acc', 'val_acc')

基于AlexNet网络的猫十二分类相关推荐

【五一创作】使用Resnet残差网络对图像进行分类（猫十二分类，模型定义、训练、保存、预测）(二）
使用Resnet残差网络对图像进行分类 (猫十二分类,模型定义.训练.保存.预测)(二) 目录 (6).数据集划分 (7).训练集增强 (8).装载数据集 (9).初始化模型 (10).模型训练 (1 ...
【五一创作】使用Resnet残差网络对图像进行分类（猫十二分类，模型定义、训练、保存、预测）(一）
使用Resnet残差网络对图像进行分类 (猫十二分类,模型定义.训练.保存.预测)(一) 目录一.项目简介二.环境说明 1.安装库 2.导入需要的库三.分类过程 (1).解压数据集 (2).相关 ...
基于ResNet的猫十二分类
在这次实战训练中,首先对下载的猫十二数据集进行预处理,使用了tensorflow构建resnet模型,在学习率调度上,使用了1周期调度,并且使用了动量优化和Nesterov加速梯度 1.导包 from ...
pytorch 猫狗二分类 resnet
深度学习(猫狗二分类) 题目要求数据获取与预处理网络模型模型原理 Resnet背景 Resnet原理代码实现模型构建训练过程批验证过程单一验证APP 运行结果训练结果批验证结果 A ...
（论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN））
该论文发表于2021年的顶级期刊.(pytorch框架) 代码解析部分在个人主页: https://blog.csdn.net/qq_45874683/article/details/13000797 ...
猫狗二分类与四种天气多分类
提示:文章用于学习记录文章目录前言一.猫狗图像分类 1.1 数据预处理 1.2 构建神经网络二.四种天气图片数据分类(pytorch) 总结前言常见分类网络结构可以分为两部分,一部分是特征 ...
RDKit | 基于随机森林的化合物活性二分类模型
基于随机森林算法的化合物二分类机器学习模型代码示例 #导入依赖包 import pandas as pd import numpy as np from rdkit import Chem, Dat ...
ML之catboost：基于自带Pool数据集实现二分类预测
ML之catboost:基于自带Pool数据集实现二分类预测基于自带Pool数据集实现二分类预测输出结果 Learning rate set to 0.5 0: learn: 0.9886498 ...
Unity C# 网络学习（十二）——Protobuf生成协议
Unity C# 网络学习(十二)--Protobuf生成协议一.安装去Protobuf官网下载对应操作系统的protoc,用于将.proto文件生成对应语言的协议语言文件由于我使用的是C#所以 ...

基于AlexNet网络的猫十二分类

1.项目简介

1.数据集

2.数据预处理

三、主函数部分

基于AlexNet网络的猫十二分类相关推荐

最新文章

热门文章