利用机器学习进行图像分类:以TensorFlow和Keras为例

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:

  1. 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。
  2. 构建一个简单的 CNN 模型,用于图像分类。
  3. 编译模型,指定优化器、损失函数和评估指标。
  4. 将数据整形成适合模型输入的形式。
  5. 训练模型,并在训练过程中记录准确率和损失值。
  6. 绘制训练过程中的准确率和损失曲线。
  7. 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。
相关推荐
搞机小能手1 小时前
六个能够白嫖学习资料的网站
笔记·学习·分类
Olafur_zbj2 小时前
【EDA】EDA中聚类(Clustering)和划分(Partitioning)
机器学习·数据挖掘·聚类
sduwcgg3 小时前
kaggle配置
人工智能·python·机器学习
88号技师6 小时前
【1区SCI】Fusion entropy融合熵,多尺度,复合多尺度、时移多尺度、层次 + 故障识别、诊断-matlab代码
开发语言·机器学习·matlab·时序分析·故障诊断·信息熵·特征提取
硅谷秋水6 小时前
通过模仿学习实现机器人灵巧操作:综述(上)
人工智能·深度学习·机器学习·计算机视觉·语言模型·机器人
仙人掌_lz6 小时前
人工智能与机器学习:Python从零实现性回归模型
人工智能·python·机器学习·线性回归
量子-Alex7 小时前
【遥感图像分类】【综述】遥感影像分类:全面综述与应用
人工智能·分类·数据挖掘
阡之尘埃7 小时前
Python数据分析案例73——基于多种异常值监测算法探查内幕交易信息
人工智能·python·机器学习·数据分析·异常检测·无监督学习
极小狐7 小时前
极狐GitLab 如何 cherry-pick 变更?
人工智能·git·机器学习·gitlab
旧故新长8 小时前
支持Function Call的本地ollama模型对比评测-》开发代理agent
人工智能·深度学习·机器学习