一、下载数据集并展示

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。 CIFAR-10 的图片样例如图所示。

与 MNIST 数据集中目比， CIFAR-10 具有以下不同点：

• CIFAR-10 是 3 通道的彩色 RGB 图像，而 MNIST 是灰度图像。

• CIFAR-10 的图片尺寸为 32×32，而 MNIST 的图片尺寸为 28×28，比 MNIST 稍大。

• 相比于手写字符， CIFAR-10 含有的是现实世界中真实的物体，不仅噪声很大，而且物体的比例、特征都不尽相同，这为识别带来很大困难。

import matplotlib.pyplot as plt
import tensorflow as tf
from keras import datasets, layers, models
from tensorflow.keras.preprocessing.image import ImageDataGenerator
%config Completer.use_jedi = False(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']plt.figure(figsize=(10, 10))
for i in range(10):plt.subplot(5, 5, i + 1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(train_images[i], cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i][0]])
plt.show()#查看图片信息
print('图片尺寸为：',train_images[0].shape)
print('训练集图片个数为：',len(train_images))
print('测试集图片个数为：',len(test_images))

如果使用代码下载失败，那么去到cifar10数据集下载地址：https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz，将下载后的文件存放在～./keras/datasets目录下，~表示当前用户路径。

二、构建模型

# 构造网络模型
model = models.Sequential([tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(32, 32, 3)),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(64, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),tf.keras.layers.Conv2D(128, (3,3), activation='relu'),tf.keras.layers.MaxPooling2D(2,2),#转换为一维tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dropout(0.5),tf.keras.layers.Dense(10, activation='softmax'),
])# 查看网络结构
model.summary()

三、定义损失函数优化器

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

四、数据增强

注意此处只对训练数据集做随机翻转、随机裁剪、平移等，测试集只需归一化。

train_image = ImageDataGenerator(rescale=1/255,#随机翻转rotation_range=40,#平移width_shift_range=0.2,height_shift_range=0.2,#随机裁剪shear_range=0.2,#随机缩放zoom_range=0.2,horizontal_flip=True,fill_mode='nearest'
)test_image = ImageDataGenerator(rescale=1/255,
)

五、模型训练

history = model.fit(train_images, train_labels, epochs=20,validation_data=(test_images, test_labels))

六、绘制acc

# 测试模型并绘制loss图（history的使用）
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.0, 1.0])
plt.legend(loc='lower right')
plt.show()

注：此处只做流程演示并未调整参数，可以自行优化。

Tensorflow2+训练CIFAR10相关推荐

[深度学习-实践]Tensorflow 2.x应用ResNet SeNet网络训练cifar10数据集的模型在测试集上准确率 86%-87%，含完整代码
环境 tensorflow 2.1 最好用GPU Cifar10数据集 CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题.任务的目标对一组32x32 RGB的图像进行分类,这个数据集涵 ...
深度学习训练的时候gpu占用0_26秒单GPU训练CIFAR10，Jeff Dean也点赞的深度学习优化技巧...
选自myrtle.ai 机器之心编译机器之心编辑部 26 秒内用 ResNet 训练 CIFAR10?一块 GPU 也能这么干.近日,myrtle.ai 科学家 David Page 提出了一大堆针对 ...
【深度学习】训练CIFAR-10数据集实现分类加测试
网上有很多博主写的训练CIFAR-10的代码,本次只是单纯记录一下自己调试的一个程序,对于初学深度学习的小白可以参考,如有不对,请多多见谅!!! 一.CIFAR-10数据集由10个类的60000个32 ...
图解半监督学习FixMatch，只用10张标注图片训练CIFAR10
2020-05-25 11:20:08 作者:amitness 编译:ronghuaiyang 导读仅使用10张带有标签的图像,它在CIFAR-10上的中位精度为78%,最大精度为84%,来看看是怎 ...
tensorflow2 训练和预测使用不同的输出层、获取权重参数
目标: youtubeNet通过训练tensorflow2时设置不同的激活函数,训练和预测采用不同的分支,然后可以在训练和测试时,把模型进行分离,得到训练和预测时,某些层的参数不同.可以通过类似迁移学 ...
使用caffe自带模型训练cifar10数据集
前面训练了mnist数据集!但caffe自带的数据集还有cifar10数据集.同样cifar10数据集也是分类数据集,共分10类.cifar10数据集中包含60000张32x32的彩色图片.(其中 ...
matlab训练cifar10,认识CIFAR-10数据集
CIFAR-10是一个广泛使用的标准数据集,里面包含了各种阿猫阿狗阿汽车--为了在后续学习实验中用好它,首先需要认识了解一下. 把tensorflow官方model下的cifar10文件复制到工作区, ...
深度学习：使用pytorch训练cifar10数据集（基于Lenet网络）
文档基于b站视频:https://www.bilibili.com/video/BV187411T7Ye 流程 model.py --定义LeNet网络模型 train.py --加载数据集并训练,训 ...
现代卷积神经网络(NiN),并使用NIN训练CIFAR10的分类
专栏:神经网络复现目录本章介绍的是现代神经网络的结构和复现,包括深度卷积神经网络(AlexNet),VGG,NiN,GoogleNet,残差网络(ResNet),稠密连接网络(DenseNet). ...

Tensorflow2+训练CIFAR10