利用机器学习进行图像分类：以TensorFlow和Keras为例

山间漫步人生路2024-05-05 15:56

当使用 TensorFlow 和 Keras 进行图像分类时，常用的方法是使用卷积神经网络（Convolutional Neural Network，CNN）。以下是一个简单的图像分类示例，使用 TensorFlow 和 Keras 来训练一个 CNN 模型对手写数字进行分类。

python 复制代码

# 导入所需的库
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

# 将像素值缩放到 0 到 1 之间
train_images, test_images = train_images / 255.0, test_images / 255.0

# 构建 CNN 模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 将数据整形成四维张量，以适应模型输入
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

# 训练模型
history = model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

# 绘制训练过程中的准确率和损失曲线
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, 1])
plt.legend(loc='lower right')
plt.show()

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

这段代码会做以下几件事情：

加载 MNIST 数据集，该数据集包含了手写数字图片和对应的标签。
构建一个简单的 CNN 模型，用于图像分类。
编译模型，指定优化器、损失函数和评估指标。
将数据整形成适合模型输入的形式。
训练模型，并在训练过程中记录准确率和损失值。
绘制训练过程中的准确率和损失曲线。
评估模型在测试集上模型的性能，包括准确率、精确率、召回率等指标。