目錄

1、序言

2、主要代碼

3、運行結果展示

（1）展示cifar10里面的20張圖片

（2）預測的圖片

（3）模型評估

---

• 本文為🔗365天深度學習訓練營?中的學習記錄博客
• 🍖 原作者：K同學啊 | 接輔導、項目定制

1、序言

這篇博客，主要是講的是彩色圖片分類，數據集為：cifar10。

和以往的流程一樣：

① 判斷是否在GPU上運行

② 導入cifar10數據集

③ 歸一化（將像素的值標準化至0-1的區間內）

④ 可視化數據集里的數據（展示了2行，共20張圖片）

⑤ 搭建神經網絡

⑥ 編譯

⑦ 訓練模型

⑧ 預測并顯示預測的圖片

⑨ 模型評估?

2、主要代碼

import tensorflow as tf
from keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
# 1、設置GPU
gpus = tf.config.list_physical_devices('GPU')if gpus:gpu0 = gpus[0]  # 如果有多個GPU，僅使用第0個GPUtf.config.experimental.set_memory_growth(gpu0,True)  # 設置GPU顯存用量按需使用tf.config.set_visible_devices([gpu0], "GPU")# 2、導入數據
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()# 3、歸一化
# 將像素的值標準化至0到1的區間內。
train_images, test_images = train_images / 255.0, test_images / 255.0
print(train_images.shape,test_images.shape,train_labels.shape,test_labels.shape)
# (50000, 32, 32, 3)     (10000, 32, 32, 3)    (50000, 1)          (10000, 1)# 4、可視化
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']plt.figure(figsize=(20,10))
for i in range(20):plt.subplot(5,10,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()# 二、搭建神經網絡
model = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),  # 卷積層1，卷積核3*3layers.MaxPooling2D((2, 2)),  # 池化層1，2*2采樣layers.Conv2D(64, (3, 3), activation='relu'),  # 卷積層2，卷積核3*3layers.MaxPooling2D((2, 2)),  # 池化層2，2*2采樣layers.Conv2D(64, (3, 3), activation='relu'),  # 卷積層3，卷積核3*3layers.Flatten(),  # Flatten層，連接卷積層與全連接層layers.Dense(64, activation='relu'),  # 全連接層，特征進一步提取layers.Dense(10)  # 輸出層，輸出預期結果
])# model.summary()  # 打印網絡結構# 三、編譯
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])# 四、訓練模型
history = model.fit(train_images, train_labels, epochs=10,validation_data=(test_images, test_labels))# 五、預測
plt.imshow(test_images[1])
plt.show()pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])# 六、模型評估
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print("test_loss:", test_loss, "---------test_acc:", test_acc)

3、運行結果展示

（1）展示cifar10里面的20張圖片

（2）預測的圖片

遺憾，我的結果預測錯誤，預測的是：automobile

（3）模型評估

上圖可以看到，測試精確度達到70%左右。