澳门太阳娱乐集团官网-太阳集团太阳娱乐登录

tensorflow 1.0用CNN举办图像分类
分类:脚本专栏

是因为职业及课题需求学习应用卷积神经互连网的艺术对脑部MPRADOI印象开展病灶分割,想咨询各位大神零基础的话必要学习怎么着课程?多谢

tensorflow进级到1.0从此,扩展了有的尖端模块: 如tf.layers, tf.metrics, 和tf.losses,使得代码稍微有个别简化。

正文希望完结贰个简短的卷积神经网络布局,用于遥感图像的光景分类 ,作为在遥感数据上拓宽深度学习的入门施行

义务:花卉分类


版本:tensorflow 1.0

此次推行的重要参照他事他说加以考察资料为凯文 Xu 的 Tensorflow tutorial: Cats vs. dogs;在这表示多谢

数据:flower-photos.rar)

源码地址:GitHub
录制教程: YouTube

花总共有五类,分别位居5个公文夹下。

原科目中,选取的是Kaggle 的猫狗大战的较量数据,有二万多张猫狗的数据集,实际上是个二分类的难点,作为深度学习的入门再安妥然则。本文希望学习那个实战课程并猎取以下八个文化:

闲聊非常少说,直接上代码,希望大家能看懂:)

  • 自制数据集的读取
  • 简单网络结构的搭建和磨练

复制代码

从文件中读取数据

四个卓绝的文静读取管线包蕴上面多少个步骤
1.文本名列表
2.可安顿文件的文本名乱序(shuffling)
3.可陈设文件最大演习迭代次数(epoch limit)
4.文本名队列
5.针对输入文件格式的阅读器
6.记录分析器
7.可配备的预管理器
8.样本队列

据他们说代码来明白地点的多少个步骤
率先大家透过一个函数get_files来得到文件列表
本条文件列表是从你的练习集中举行读取,首先这几个磨练集应该满含了独具的磨练样本图片,图片的命名准则依据图片所属的花色举办标明。本例子中

import tensorflow as tf
import numpy as np
import os

def get_files(file_dir):
# -*- coding: utf-8 -*-

from skimage import io,transform
import glob
import os
import tensorflow as tf
import numpy as np
import time

path='e:/flower/'

#将所有的图片resize成100*100
w=100
h=100
c=3


#读取图片
def read_img(path):
 cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)]
 imgs=[]
 labels=[]
 for idx,folder in enumerate(cate):
  for im in glob.glob(folder+'/*.jpg'):
   print('reading the images:%s'%(im))
   img=io.imread(im)
   img=transform.resize(img,(w,h))
   imgs.append(img)
   labels.append(idx)
 return np.asarray(imgs,np.float32),np.asarray(labels,np.int32)
data,label=read_img(path)


#打乱顺序
num_example=data.shape[0]
arr=np.arange(num_example)
np.random.shuffle(arr)
data=data[arr]
label=label[arr]


#将所有数据分为训练集和验证集
ratio=0.8
s=np.int(num_example*ratio)
x_train=data[:s]
y_train=label[:s]
x_val=data[s:]
y_val=label[s:]

#-----------------构建网络----------------------
#占位符
x=tf.placeholder(tf.float32,shape=[None,w,h,c],name='x')
y_=tf.placeholder(tf.int32,shape=[None,],name='y_')

#第一个卷积层(100——>50)
conv1=tf.layers.conv2d(
  inputs=x,
  filters=32,
  kernel_size=[5, 5],
  padding="same",
  activation=tf.nn.relu,
  kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool1=tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

#第二个卷积层(50->25)
conv2=tf.layers.conv2d(
  inputs=pool1,
  filters=64,
  kernel_size=[5, 5],
  padding="same",
  activation=tf.nn.relu,
  kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool2=tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)

#第三个卷积层(25->12)
conv3=tf.layers.conv2d(
  inputs=pool2,
  filters=128,
  kernel_size=[3, 3],
  padding="same",
  activation=tf.nn.relu,
  kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool3=tf.layers.max_pooling2d(inputs=conv3, pool_size=[2, 2], strides=2)

#第四个卷积层(12->6)
conv4=tf.layers.conv2d(
  inputs=pool3,
  filters=128,
  kernel_size=[3, 3],
  padding="same",
  activation=tf.nn.relu,
  kernel_initializer=tf.truncated_normal_initializer(stddev=0.01))
pool4=tf.layers.max_pooling2d(inputs=conv4, pool_size=[2, 2], strides=2)

re1 = tf.reshape(pool4, [-1, 6 * 6 * 128])

#全连接层
dense1 = tf.layers.dense(inputs=re1, 
      units=1024, 
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
      kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))
dense2= tf.layers.dense(inputs=dense1, 
      units=512, 
      activation=tf.nn.relu,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
      kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))
logits= tf.layers.dense(inputs=dense2, 
      units=5, 
      activation=None,
      kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),
      kernel_regularizer=tf.contrib.layers.l2_regularizer(0.003))
#---------------------------网络结束---------------------------

loss=tf.losses.sparse_softmax_cross_entropy(labels=y_,logits=logits)
train_op=tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
correct_prediction = tf.equal(tf.cast(tf.argmax(logits,1),tf.int32), y_) 
acc= tf.reduce_mean(tf.cast(correct_prediction, tf.float32))


#定义一个函数,按批次取数据
def minibatches(inputs=None, targets=None, batch_size=None, shuffle=False):
 assert len(inputs) == len(targets)
 if shuffle:
  indices = np.arange(len(inputs))
  np.random.shuffle(indices)
 for start_idx in range(0, len(inputs) - batch_size + 1, batch_size):
  if shuffle:
   excerpt = indices[start_idx:start_idx + batch_size]
  else:
   excerpt = slice(start_idx, start_idx + batch_size)
  yield inputs[excerpt], targets[excerpt]


#训练和测试数据,可将n_epoch设置更大一些

n_epoch=10
batch_size=64
sess=tf.InteractiveSession() 
sess.run(tf.global_variables_initializer())
for epoch in range(n_epoch):
 start_time = time.time()

 #training
 train_loss, train_acc, n_batch = 0, 0, 0
 for x_train_a, y_train_a in minibatches(x_train, y_train, batch_size, shuffle=True):
  _,err,ac=sess.run([train_op,loss,acc], feed_dict={x: x_train_a, y_: y_train_a})
  train_loss += err; train_acc += ac; n_batch += 1
 print(" train loss: %f" % (train_loss/ n_batch))
 print(" train acc: %f" % (train_acc/ n_batch))

 #validation
 val_loss, val_acc, n_batch = 0, 0, 0
 for x_val_a, y_val_a in minibatches(x_val, y_val, batch_size, shuffle=False):
  err, ac = sess.run([loss,acc], feed_dict={x: x_val_a, y_: y_val_a})
  val_loss += err; val_acc += ac; n_batch += 1
 print(" validation loss: %f" % (val_loss/ n_batch))
 print(" validation acc: %f" % (val_acc/ n_batch))

sess.close()

上述正是本文的全体内容,希望对大家的上学抱有利于,也指望大家多多支持脚本之家。

你只怕感兴趣的篇章:

  • 详解tensorflow磨炼本身的数据集达成CNN图像分类
  • Python爬取京东的商品归类与链接
  • Python使用bs4取得58同郭富城(英文名:guō fù chéng)(英文名:guō fù chéng)市分类的办法
  • Python实现全自动为照片加多日期并分类的章程
  • Python决策树分类算文学习

本文由澳门太阳娱乐集团官网发布于脚本专栏,转载请注明出处:tensorflow 1.0用CNN举办图像分类

上一篇:C语言运算符的优先级与结合性 下一篇:没有了
猜你喜欢
热门排行
精彩图文