一、tensorflow库安装

（1）TensorFlow的历史版本与对应Python版本

（2）Python版本查询

（3）找到上面的版本框进行对应的TensorFlow下载

（4）安装成功

（5）TensorFlow成功验证

二、项目简介

（1）项目说明

（2）项目目的

三、实现过程

（1）库导入

（2）匹配图形

（3）定义图像以及测试集与验证集路径确认

（4）模型训练参数设置

（5）维度定义与图像生成器

（6）卷积神经网络各层次设置

（7）函数回调结果注入训练

（8）训练结果可视化

一、tensorflow库安装

（1）TensorFlow的历史版本与对应Python版本

TensorFlow的历史版本与Python对应版本
TensorFlow版本	Python	发布时间
tensorflow-2.4.0	3.6-3.8	2020年12月
tensorflow-2.3.0	3.5-3.8	2020年7月
tensorflow-2.2.0	3.5-3.8	2020年5月
tensorflow-2.1.0	3.5-3.7	2020年1月
tensorflow-2.0.0	3.5-3.7	2019年10月
tensorflow-1.15.0	3.5-3.7	2019年10月
tensorflow-1.14.0	3.5-3.7	2019年6月
tensorflow-1.13.0	3.5-3.7	2019年2月
tensorflow-1.12.0	3.5-3.6	2018年11月
tensorflow-1.11.0	3.5-3.6	2018年9月
tensorflow-1.10.0	3.5-3.6	2018年8月
tensorflow-1.9.0	3.5-3.6	2018年7月
tensorflow-1.8.0	3.5-3.6	2018年4月
tensorflow-1.7.0	3.5-3.6	2018年3月
tensorflow-1.6.0	3.5-3.6	2018年3月
tensorflow-1.5.0	3.5-3.6	2018年1月
tensorflow-1.4.0	3.5-3.6	2017年11月
tensorflow-1.3.0	3.5-3.6	2017年8月
tensorflow-1.2.0	3.5-3.6	2017年6月
tensorflow-1.1.0	3.5	2017年4月
tensorflow-1.0.0	3.5	2017年2月

（2）Python版本查询

在配置了python环境变量的情况下可以使用以下方法：

win+R或者在搜索框搜索cmd打开Windows的终端，在终端输入python --version

未配置python环境的情况下，使用anaconda prompt终端查询版本号以及后面的操作。

（3）找到上面的版本框进行对应的TensorFlow下载

当时安装时并没有想到版本问题会影响TensorFlow后续的使用，就随便选了一个版本，当然你想选择一样的版本也行，后续做法跟我的做法会是一样的。

这里我们从清华园下载TensorFlow的镜像文件,后面是版本号

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14

注意：

①这里的命令运行时在Windows的终端下直接运行，前提是有Python环境

②若下载遇到非环境的报错，请复制Downloading后的网址，直接去网址上下载安装文件，然后切换到，下载路径，用pip insatll 下载的文件后缀为.whl文件

（4）安装成功

安装时出现如下情况就是安装成功

（5）TensorFlow成功验证

导入TensorFlow库做一个简单的计算

import tensorflow as tf
sess = tf.Session()
a = tf.constant(10)
b = tf.constant(12)
sess.run(a+b)

得到如下结果就证明安装成功

注：

在验证阶段可能会出现如下错误

第一个是jupyter的报错，第二个是anaconda的报错信息

这是因为有得机器protobuf版本等级与TensorFlow不相符，只需要根据后面的protobuf>=的版本号进行重装即可

命令如下：

pip install protobuf==3.19.0

二、项目简介

（1）项目说明

图像识别技术是人工智能计算机视觉的重要基础，使用机器学习/深度学习算法可以高效准确的识别出图片的主要特征，从而对不同图片内容的图片进行分类识别。

在图像识别研究领域有一个经典的数据集：Cat_vs_Dogs（猫狗识别数据集），很多计算机视觉的算法研究使用这个数据集来验证其效果。附件中采集了1500张猫的照片和1500张狗的照片,分别放入下面的目录结构中：

cats_vs_dogs：

train：

cats: [cat.0.jpg, cat.1.jpg, cat.2.jpg ....]

dogs: [dog.0.jpg, dog.1.jpg, dog.2.jpg ...]

validation：

cats: [cat.2000.jpg, cat.2001.jpg, cat.2002.jpg ....]

dogs: [dog.2000.jpg, dog.2001.jpg, dog.2002.jpg ...]

注：其中train作为训练集，有猫狗各1000张照片；validation作为验证集，有猫狗各500张照片。图片示例如下：

（2）项目目的

项目目的主要是实现对于猫狗图形识别的模型建立，再通过验证集验证图形识别模型的准确性。本篇文章主要讲述项目模型建立过程，至于模型设计、参数调优以及模型结果分析会在后续的文章中给出。

三、实现过程

（1）库导入

from tensorflow.keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.layers import Activation, Dropout, Flatten, Dense
from tensorflow.keras import backend as K
from tensorflow.keras.callbacks import TensorBoard
from tensorflow.keras.applications import VGG16,InceptionV3,ResNet50,MobileNet
import numpy as np
import matplotlib.pyplot as plt
import glob, os, random

os模块作用

可以处理文件和目录这些我们日常手动需要做的操作。如果你希望你的程序能够与平台无关的话，这个模块是尤为重要的。

glob模块作用

主要用来查找符合特定规则的目录和文件，并将搜索的到的结果返回到一个列表中。

（2）匹配图形

path = 'data'
os.path.join(path, '*/*/*.*')
# 使用 glob 模块批量匹配图像, * 代表匹配所有东西
img_list = glob.glob(os.path.join(path, '*/*/*.*'))
print('>>>图像数量：', len(img_list))
print(img_list[:5])for i, img_path in enumerate(img_list[:6]):img_plot = load_img(img_path)  # 加载图像arr = img_to_array(img_plot)  # 将图像转换成数组print(arr.shape)  # 图像形状plt.subplot(2, 3, i + 1)plt.imshow(img_plot)

os.path.join(path,name):连接目录与文件名或目录。

glob.glob()：返回符合匹配条件的所有文件的路径。

注：此处需要,ipynb文件和data文件同在一个目录下，如下图所示

（3）定义图像以及测试集与验证集路径确认

# 统一定义图像像素的宽度和高度
img_width, img_height = 100, 100
# 定义训练集、验证集的图形路径（文件夹路径即可）
train_data_dir = 'data/train/'
validation_data_dir = 'data/validation/'

注：此处可以调试的有统一定义图像像素的宽度和高度，再不看后续分析文章的情况下可以自行进行数据的调试，此处不做过多解释。

（4）模型训练参数设置

# 模型训练的参数设置
nb_train_samples = 30
nb_validation_samples = 10
epochs = 20  # 迭代次数
batch_size = 32  # 每个批量观测数

注：模型训练参数的设置影响模型训练的结果，其中迭代次数与每个批量观测数影响着模型的结果，前两个参数是后面models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。

（5）维度定义与图像生成器

# 图像输入维度设置
if K.image_data_format() == 'channels_first':input_shape = (3, img_width, img_height)
else:input_shape = (img_width, img_height, 3)# 定义图像生成器
train_datagen = ImageDataGenerator(rescale=1. / 255,  # 重缩放因子shear_range=0.2,  # 剪切强度（以弧度逆时针方向剪切角度）zoom_range=0.2,  # 随机缩放范围horizontal_flip=True,  # 随机水平翻转rotation_range=360  # 360度范围内随机旋转)# 使用图像生成器，从train_data_dir目录中读取图片，生成训练集（X_train图片数据, y_train图片所在的目录名称）
train_generator = train_datagen.flow_from_directory(train_data_dir,  # 训练数据的文件夹路径target_size=(img_width, img_height),  # 统一像素大小batch_size=batch_size,  # 每一批次的观测数class_mode='categorical'  # 指定分类模式，指定二分类)test_datagen = ImageDataGenerator(rescale=1. / 255,shear_range=0.2,  # 剪切强度（以弧度逆时针方向剪切角度）zoom_range=0.2,  # 随机缩放范围horizontal_flip=True)  # 随机水平翻转validation_generator = test_datagen.flow_from_directory(validation_data_dir,  # 验证集文件夹路径target_size=(img_width, img_height),batch_size=batch_size,class_mode='categorical'  # 二分类)

注：图像维度设置中k.image_data_format()，返回图像维度顺序（“channels_first”或“channels_last”），彩色图像的性质一般包括：width、height、channels。

（6）卷积神经网络各层次设置

model = Sequential()# -----------------------------------------------------
# 输入层：第一层
# 添加第一个卷积层/最大池化层(必选)
model.add(Conv2D(filters=32,  # 32 个过滤器kernel_size=(3, 3),  # 卷积核大小 3 x 3input_shape=input_shape,  # 图像输入维度activation='relu'))  # 'relu' 激活函数
model.add(MaxPooling2D(pool_size=(2, 2)))  # 池化核大小 2 x 2# ----------------------------------------------------
# 隐藏层：介于第一层和最后一层之间
# 添加第二个卷积层/最大池化层(可选)
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))# 由于卷积层是 2D 空间，训练时需要将数据展平为 1D 空间
model.add(Flatten())  # 添加展平层(必选)
model.add(Dense(units=64, activation='relu'))  # 添加全连接层(必选) 64 个神经元
model.add(Dropout(0.5))  # 添加丢弃层，防止过拟合# ---------------------------------------------------
# 输出层：最后一层，神经元控制输出的维度，并指定分类激活函数
model.add(Dense(units=2, activation='sigmoid'))  # 指定分类激活函数model.summary()model.compile(loss='binary_crossentropy',  # 指定损失函数类型optimizer='rmsprop',  # 优化器metrics=['accuracy'])  # 评价指标

完成后运行会出现如下的过程图：

（7）函数回调结果注入训练

# tensorboard回调函数
logs = os.path.join("logs")
if not os.path.exists(logs):os.mkdir(logs)
train_callbacks = [TensorBoard(log_dir=r'./logs',histogram_freq=1,)
]tensorboard_dir = os.path.join(r'.\logs\plugins\profile')
history = model.fit_generator(train_generator,steps_per_epoch=nb_train_samples,epochs=epochs,validation_data=validation_generator,validation_steps=nb_validation_samples,callbacks=train_callbacks)

models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。

注：其中logs\plugins\profile这个文件内容需要自己手动建立，本实验代码没有写代码创建模块，当创建logs后需要自己在logs文件夹下创建plugins文件夹，在文件夹plugins下创建profile文件夹。否则会报以下错误：

运行后会出现如下过程图

（8）训练结果可视化

#现在将训练后的结果可视化。
acc = history.history['acc']
val_acc = history.history['val_acc']loss = history.history['loss']
val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(20, 10))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

可视化训练后的结果图：

猫狗图像识别（卷积神经网络算法，TensorFlow安装）相关推荐

CV之CNN：基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别
CV之CNN:基于tensorflow框架采用CNN(改进的AlexNet,训练/评估/推理)卷积神经网络算法实现猫狗图像分类识别目录基于tensorflow框架采用CNN(改进的AlexNet, ...
CV之IC之AlexNet：基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用
CV之IC之AlexNet:基于tensorflow框架采用CNN卷积神经网络算法(改进的AlexNet,训练/评估/推理)实现猫狗分类识别案例应用目录基于tensorflow框架采用CNN(改进 ...
基于Python的卷积神经网络的猫狗图像识别系统
目录基与卷积神经网络模型的猫狗图像识别 1 一. 摘要 2 二. 动机 2 三. 理论和算法理解 2 I.卷积神经网络 2 定义 3 结构 3 应用 5 II.算法实现 5 Part 1 - Dat ...
基于CNN卷积神经网络猫狗图像识别
目录一:数据集准备二:读取自己的数据集三:搭建网络训练模型四:猫狗图像识别一:数据集准备从官网下载比较麻烦,可根据以下链接,从百度网盘获取数据集 https://pan.baidu.co ...
卷积神经网络图像识别_[源码和文档分享]基于CUDA的卷积神经网络算法实现
摘要卷积神经网络是近年来人工智能领域取得重大突破的一种重要手段,给出了图像识别.语音识别和自然语言处理领域中关键问题的优化解决方案,尤其适合处理图像方面的任务,如人脸识别和手写体识别.手写数字识别 ...
卷积神经网络图像识别,卷积神经网络处理图片
卷积神经网络怎么生成图片? 需要使用类似GAN的生成模型去做.望采纳GAN的基本原理其实非常简单,这里以生成图片为例进行说明.假设我们有两个网络,G(Generator)和D(Discriminato ...
python狗图像识别_使用pytorch完成kaggle猫狗图像识别方式
kaggle是一个为开发商和数据科学家提供举办机器学习竞赛.托管数据库.编写和分享代码的平台,在这上面有非常多的好项目.好资源可供机器学习.深度学习爱好者学习之用. 碰巧最近入门了一门非常的深度学习框 ...
使用pytorch完成kaggle猫狗图像识别
kaggle是一个为开发商和数据科学家提供举办机器学习竞赛.托管数据库.编写和分享代码的平台,在这上面有非常多的好项目.好资源可供机器学习.深度学习爱好者学习之用.碰巧最近入门了一门非常的深度学习框架 ...
卷积神经网络的训练算法,卷积神经网络算法实现
卷积神经网络算法是什么? 一维构筑.二维构筑.全卷积构筑. 卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feed ...
卷积神经网络图像识别,卷积神经网络图像处理
街道垃圾识别系统的原理是什么? 不久前上海关于垃圾分类的出台政策大家应该还记得,做好垃圾分类成为了许多人的难题.其实,随着人工智能技术的突飞猛进,自动分类垃圾桶已经出现了. 目前有许多关于人工智能自动 ...

猫狗图像识别（卷积神经网络算法，TensorFlow安装）

一、tensorflow库安装

（1）TensorFlow的历史版本与对应Python版本

（2）Python版本查询

（3）找到上面的版本框进行对应的TensorFlow下载

（4）安装成功

（5）TensorFlow成功验证

二、项目简介

（1）项目说明

（2）项目目的

三、实现过程

（1）库导入

（2）匹配图形

（3）定义图像以及测试集与验证集路径确认

（4）模型训练参数设置

（5）维度定义与图像生成器

（6）卷积神经网络各层次设置

（7）函数回调结果注入训练

（8）训练结果可视化

猫狗图像识别（卷积神经网络算法，TensorFlow安装）相关推荐

最新文章

热门文章