深度学习-Tensorflow2.2-卷积神经网络{3}-卫星图像识别卷积综合实例(二分类)-13
import tensorflow as tf
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pathlib
数据读取及预处理
data_dir = "./2_class"# 文件路径
data_root = pathlib.Path(data_dir)# 构建路径对象
for item in data_root.iterdir(): # 对目录进行迭代查看文件路径及对象print(item)
all_image_path = list(data_root.glob("*/*"))#使用glob方法及正则表达式提取目录里面所有文件
len(all_image_path) # 1400个数据
all_image_path[:3]# 通过切片查看前3个文件
all_image_path = [str(path) for path in all_image_path]# 使用str把路径变成一个实际的路径
all_image_path[10:12]
import random
random.shuffle(all_image_path)# 把内容乱序
all_image_path[10:12]
image_count = len(all_image_path)
image_count # 记录图片的张数
label_names = sorted (item.name for item in data_root.glob("*/")) # 提取分类名字
label_names
# 编码airplane对应0, lake对应1
label_to_index = dict((name,index) for index,name in enumerate(label_names))
label_to_index
all_image_path[:3]
pathlib.Path("2_class\\lake\\lake_405.jpg").parent.name
all_image_label = [label_to_index[pathlib.Path(p).parent.name]for p in all_image_path]
all_image_label[:5]
all_image_path[:5]
import IPython.display as display
index_to_label = dict((v,k) for k,v in label_to_index.items())
index_to_label
读取和解码图片
for n in range(3):image_index = random.choice(range(len(all_image_path)))display.display(display.Image(all_image_path[image_index]))print(index_to_label[all_image_label[image_index]])print()
# 对单张图片进行处理过程
# 使用tf读取图片
img_path = all_image_path[0]
img_path
img_raw = tf.io.read_file(img_path)
img_raw # 二进制的图片
# 解码图片
img_tensor = tf.image.decode_image(img_raw)
img_tensor.shape
img_tensor
img_tensor = tf.cast(img_tensor,tf.float32)# 转换数据类型为float32
img_tensor
# 标准化
img_tensor = img_tensor/255
定义函数对图片进行处理
# 定义函数对图片进行处理
def load_preprosess_image(img_paht):img_raw = tf.io.read_file(img_path) # 读取图片的路径img_tensor = tf.image.decode_jpeg(img_raw,channels=3)# 解码图片channels=3代表彩色图片img_tensor = tf.image.resize(img_tensor,[256,256]) #定义图片大小img_tensor = tf.cast(img_tensor,tf.float32) # 转化图片类型img = img_tensor/255 # 标准化return img
使用tf.data 构建图片输入管道
# 构造tf.data对所有图片进行处理
path_ds = tf.data.Dataset.from_tensor_slices(all_image_path)
image_dataset = path_ds.map(load_preprosess_image)# 使用上面定义好的图片处理函数处理all_image_path中所有的图片
label_dataset = tf.data.Dataset.from_tensor_slices(all_image_label)
# 合并
dataset = tf.data.Dataset.zip((image_dataset,label_dataset))
# 划分测试集与训练集
test_count = int(image_count*0.2)
train_count = image_count-test_count
train_dataset = dataset.skip(test_count) # skip 跳过测试集的张数
test_dataset = dataset.take(test_count)
BATCH_SIZE = 32# 每次训练32张
train_dataset = train_dataset.shuffle(buffer_size=train_count).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)
建立模型
# 增加BN层
#建立模型
model = tf.keras.Sequential() # 顺序模型
model.add(tf.keras.layers.Conv2D(64,(3,3),input_shape=(256,256,3)))# 添加一个卷积层
model.add(tf.keras.layers.BatchNormalization()) # 批标准化
model.add(tf.keras.layers.Activation("relu")) # 激活层model.add(tf.keras.layers.Conv2D(64,(3,3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(128,(3,3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(256,(3,3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(512,(3,3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Conv2D(1024,(3,3)))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.GlobalAveragePooling2D()) # 全局池化
model.add(tf.keras.layers.Dense(1024))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.Dense(256))
model.add(tf.keras.layers.BatchNormalization())
model.add(tf.keras.layers.Activation("relu"))model.add(tf.keras.layers.Dense(1,activation="sigmoid"))#二分类使用sigmoid激活
model.summary()
# 编译模型
model.compile(optimizer="adam",loss="binary_crossentropy",metrics=["acc"])
steps_per_epoch = train_count//BATCH_SIZE
validation_steps = test_count//BATCH_SIZE # 步数
# 训练模型
history = model.fit(train_dataset,epochs=30,steps_per_epoch=steps_per_epoch,validation_data=test_dataset,validation_steps=validation_steps)
深度学习-Tensorflow2.2-卷积神经网络{3}-卫星图像识别卷积综合实例(二分类)-13相关推荐
- 深度学习-11:神经元、神经网络、人脑和卷积神网络
深度学习-11:神经元.神经网络.人脑和卷积神网络 深度学习原理与实践(开源图书)-总目录 在生物神经网络中,学习源自于大脑中无数神经元之间的连接.大脑接触到新的刺激后,这些神经元之间的连接改变了配置 ...
- 深度学习-Tensorflow2.2-卷积神经网络{3}-卷积神经网络CNN基础-11
CNN 简介 实现对图像的高准确率识别离不开一种叫做卷积神经网络的深度学习 技术. 卷积神经网络主要应用于计算机视觉相关任务,但它能处理的任务并 不局限于图像,其实语音识别也是可以使用卷积神经网络. ...
- 深度学习TensorFlow2,循环神经网络(RNN,LSTM)系列知识
一:概述 二:时间序列 三:RNN 四:LSTM 一:概述 1.什么叫循环? 循环神经网络是一种不同于ResNet,VGG的网络结构,个人理解最大的特点就是:它通过权值共享,极大的减少了权值的参数量. ...
- 深度学习-Tensorflow2.2-RNN循环神经网络{11}-评论分类-25
什么是RNN? 代码 import tensorflow as tf import matplotlib.pyplot as plt %matplotlib inline import numpy a ...
- 深度学习-Tensorflow2.2-卷积神经网络{3}-电影评论数据分类/猫狗数据集实例-15
电影评论数据分类 import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers da ...
- 深度学习-Tensorflow2.2-卷积神经网络{3}-卷积神经网络CNN示例-12
import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt %matplotlib inl ...
- 深度学习-Tensorflow2.2-RNN循环神经网络{11}-RNN空气污染预测-26
import tensorflow as tf import matplotlib.pyplot as plt %matplotlib inline import numpy as np import ...
- 【神经网络与深度学习】CIFAR10数据集介绍,并使用卷积神经网络训练图像分类模型——[附完整训练代码]
[神经网络与深度学习]CIFAR-10数据集介绍,并使用卷积神经网络训练模型--[附完整代码] 一.CIFAR-10数据集介绍 1.1 CIFAR-10数据集的内容 1.2 CIFAR-10数据集的结 ...
- 【深度学习基础】一步一步讲解卷积神经网络
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送 本文转自:一步一步讲解卷积神经网络 卷积神经网络(Convoluti ...
最新文章
- vb mysql数据导入到mssql,[请教]怎样把*.txt文本的数据导入sql数据库中?
- linux中设置程序开机自动启动
- Android应用程序键盘(Keyboard)消息处理机制分析(14)
- LeetCode - Easy - 28. Implement strStr()
- python匹配字符串_字符串匹配算法之Kmp算法(Python实现)
- python单行动态刷新不了_python 解决tqdm模块不能单行显示的问题
- Web 开发的 JavaScript 框架资料收集(15款)
- 比特币交易信息 广播 服务器,《比特币白皮书》区块圣经(3)时间戳服务器(Timestamp serv...
- PS小技巧 | 怎么又下雨了
- FlashFXP 破解版下载地址
- 谷歌眼镜原理揭秘 (二) ----- 简述谷歌眼镜成像原理
- php判断股票涨停,常用的五种股票打板思路与常见的几种涨停板打板判断依据
- SpringCloud 问题杂集
- c语言致命错误无法打开网页,电脑中IE浏览器显示异常或无法打开网页崩溃的解决方法...
- 51单片机-波特率的计算定时器初始值的计算
- 日常开单送货VBA模块
- Android布局优化
- Pytorch深度学习(五):加载数据集以及mini-batch的使用
- net npf 服务名无效_win10系统打开wireshark提示npF驱动没有运行的处理方法
- 【生信原理】初探芯片表达谱分析
热门文章
- 学生党专用计算机,开学在即何必纠结?学生党专用显卡推荐
- mysql ef_在EF中使用MySQL的方法及常见问题
- CRMEB v4目录结构说明
- PHP生成Mysql数据字典
- php网站分享qq代码下载,HTML5QQ登录的一篇代码分享
- 在计算机硬盘中没有什么,如果在打开计算机后找不到硬盘,应该怎么办?
- oracle数据库sid已存在,Oracle SID在本机下已经存在,请指定一个不同的SID”的解决方法...
- java ecj_java - 在Maven构建中使用Eclipse Java Compiler(ecj) - 堆栈内存溢出
- 单位阶跃信号是周期信号吗_手机信号变成“HD”,是代表没有信号吗?你的手机正在被扣费...
- js 计算任意凸多边形内最大矩形_题库 | 计算机视觉常见面试题型介绍及解答 第 7 期...