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 ...

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

数据读取及预处理

读取和解码图片

定义函数对图片进行处理

使用tf.data 构建图片输入管道

建立模型

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

最新文章

热门文章