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
小牛头#4 小时前
clickhouse 各个引擎适用的场景
大数据·clickhouse·机器学习
kngines8 小时前
【力扣(LeetCode)】数据挖掘面试题0002:当面对实时数据流时您如何设计和实现机器学习模型?
机器学习·数据挖掘·面试题·实时数据
网安INF9 小时前
深度学习中批标准化与神经网络调优
人工智能·深度学习·神经网络·机器学习
路溪非溪9 小时前
Tensorflow的安装记录
人工智能·tensorflow·neo4j
爱思德学术10 小时前
中国计算机学会(CCF)推荐学术会议-B(计算机体系结构/并行与分布计算/存储系统):SOCC 2025
网络协议·机器学习·云计算·边缘计算
巴伦是只猫11 小时前
【机器学习笔记 Ⅲ】1 无监督学习
笔记·学习·机器学习
蓝婷儿11 小时前
Python 机器学习核心入门与实战进阶 Day 7 - 复盘 + 综合实战挑战
python·机器学习
神经星星13 小时前
AI 论文周报 | Chai-2刷新抗体设计效率,命中率提高100倍;多篇ICML入围论文一键速览
人工智能·深度学习·机器学习
Menger_Wen15 小时前
分析新旧因子相关性
python·机器学习·区块链
优乐美香芋味好喝17 小时前
2025年7月8日学习笔记——模式识别与机器学习绪论
笔记·学习·机器学习