基于CNN实现CIFAR100识别-tensorflow2.0实现

CIFAR100与mnist数据集一样，但是复杂一些，基于CNN对CIFAR100实现的原理与对mnist的操作大同小异，程序所采用的CNN网络为13层的VGG网络。
经过网络处理过程如下所示：

代码如下：

import  tensorflow as tf
from    tensorflow.keras import layers, optimizers, datasets, Sequential
import  osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'
tf.random.set_seed(2345)
#卷积层+池化层
conv_layers = [ # 5 units of conv + max pooling# unit 1layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),# unit 2layers.Conv2D(128, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.Conv2D(128, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),# unit 3layers.Conv2D(256, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.Conv2D(256, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),# unit 4layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),# unit 5layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same')
]
#对输入图片进行数据预处理
def preprocess(x, y):# [0~1]x = tf.cast(x, dtype=tf.float32) / 255.#在0~1之间y = tf.cast(y, dtype=tf.int32)return x,y(x,y), (x_test, y_test) = datasets.cifar100.load_data()
y = tf.squeeze(y, axis=1)#y一开始并不是一个维度，所以需要把第二个维度挤压掉。
y_test = tf.squeeze(y_test, axis=1)train_db = tf.data.Dataset.from_tensor_slices((x,y))
train_db = train_db.shuffle(1000).map(preprocess).batch(128)test_db = tf.data.Dataset.from_tensor_slices((x_test,y_test))
test_db = test_db.map(preprocess).batch(64)def main():# [b, 32, 32, 3] => [b, 1, 1, 512]conv_net = Sequential(conv_layers)#全连接层fc_net = Sequential([layers.Dense(256, activation=tf.nn.relu),layers.Dense(128, activation=tf.nn.relu),layers.Dense(100, activation=None),])conv_net.build(input_shape=[None, 32, 32, 3])fc_net.build(input_shape=[None, 512])#学习率optimizer = optimizers.Adam(lr=1e-4)# [1, 2] + [3, 4] => [1, 2, 3, 4]variables = conv_net.trainable_variables + fc_net.trainable_variablesfor epoch in range(50):for step, (x,y) in enumerate(train_db):with tf.GradientTape() as tape:# [b, 32, 32, 3] => [b, 1, 1, 512]out = conv_net(x)# flatten, => [b, 512]out = tf.reshape(out, [-1, 512])# [b, 512] => [b, 100]logits = fc_net(out)# [b] => [b, 100]y_onehot = tf.one_hot(y, depth=100)# compute lossloss = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True)loss = tf.reduce_mean(loss)grads = tape.gradient(loss, variables)optimizer.apply_gradients(zip(grads, variables))if step %100 == 0:print(epoch, step, 'loss:', float(loss))total_num = 0total_correct = 0for x,y in test_db:out = conv_net(x)out = tf.reshape(out, [-1, 512])logits = fc_net(out)prob = tf.nn.softmax(logits, axis=1)pred = tf.argmax(prob, axis=1)pred = tf.cast(pred, dtype=tf.int32)correct = tf.cast(tf.equal(pred, y), dtype=tf.int32)correct = tf.reduce_sum(correct)total_num += x.shape[0]total_correct += int(correct)acc = total_correct / total_numprint(epoch, 'acc:', acc)
if __name__ == '__main__':main()

最终的训练模型对于测试集的正确率并不是很高，而且训练起来耗时比较严重，相比而言Mnist数据集训练的效果和效率就特别高了。

基于CNN实现CIFAR100识别-tensorflow2.0实现相关推荐

作业6：基于CNN的XO识别深度学习手搓卷积代码
目录一.实现卷积池化激活代码 1.numpy版本生成图像卷积核生成卷积操作池化操作最大池化平均池化激活操作 2.pytorch版本(利用pytorch框架) 2.1相关函数 2. ...
NNDL 作业6：基于CNN的XO识别
实现卷积-池化-激活 Numpy版本:手工实现卷积-池化-激活自定义卷积算子.池化算子实现,源码如下: import numpy as npx = np.array([[-1, -1, -1, - ...
毕业设计：基于CNN做人脸识别
基于CNN做人脸识别首先,我是考虑,这系统在Windows下做还是在Linux.Ubuntu下做比较好? 然后,我都检测过,Windows下可以用python.anaconda写代码都可以.当然,和 ...
基于cnn的人脸识别_鬼都藏不住，人脸识别新突破！就算遮住半张脸也能100%被识别...
转自:新智元如涉版权请加编辑微信iwish89联系哲学园鸣谢新智元报道来源:sciencedirect 编辑:金磊,元子 [新智元导读]众所周知,人脸识别在摄像头无法捕捉到完整面部图像的情况下 ...
基于CNN的手写体识别与GUI系统设计（新手快进来！）
目录 1. 写在前面 2. 环境搭建 3. 卷积神经网络 4. 数字手写体识别实现 1. 写在前面这是我的本科毕设,今天终于差不多降完重了哈哈,总共耗时一个半月,写完赶紧趁热打铁来记录一下整 ...
基于cnn的人脸识别_基于卷积神经网络(CNN）的人脸在线识别系统
微信搜索"AI大道理",选择"置顶"公众号重磅干货,深入讲解AI大道理 ------ 本设计研究人脸识别技术,基于卷积神经网络构建了一套人脸在线检测识别系统, ...
基于CNN的表情识别（FER）pytorch实现
Report for FER Jian Tang Abstract 我们使用卷积神经网络(CNN)实现了baby的面部表情识别(FER). 工程代码: https://github.com/JianT ...
深度学习之基于CNN实现天气识别
其实和猫狗大战还有上一篇博客的代码差不太多,但是中间出现了新的问题. 1.导入库 import numpy as np import tensorflow as tf import os,PIL im ...
基于CNN的花卉识别
程序和数据集地址:https://download.csdn.net/my 数据集准备: 如图是五种类别的花卉数据集,分别放在五个文件夹. 训练神经网络模型文件在CNN中定义数据集地址和模型保存地址 ...

基于CNN实现CIFAR100识别-tensorflow2.0实现

基于CNN实现CIFAR100识别-tensorflow2.0实现相关推荐

最新文章

热门文章