成人免费xxxxx在线视频软件_久久精品久久久_亚洲国产精品久久久_天天色天天色_亚洲人成一区_欧美一级欧美三级在线观看

用自己的數據構建一個簡單的卷積神經網絡

人工智能 深度學習 后端
在本文中,我們將構建一個卷積神經網絡,將對7種類型的數千個圖像進行訓練,即:鮮花,汽車,貓,馬,人,自行車,狗,然后能夠預測是否給定的圖像是貓,狗或人。

在本文中,我們將構建一個卷積神經網絡,將對7種類型的數千個圖像進行訓練,即:鮮花,汽車,貓,馬,人,自行車,狗,然后能夠預測是否給定的圖像是貓,狗或人。

 

該CNN實現使用自己的圖像數據集涵蓋以下主題

  • 加載和預處理自己的數據集
  • 在Keras設計和訓練CNN模型
  • 繪制損失和準確度曲線
  • 評估模型和預測測試圖像的輸出類
  • 可視化CNN的中間層輸出
  • 繪制結果的混淆矩陣

加載和預處理自己的數據集:

我們將使用的數據集包括從互聯網收集并標記的7個類。Python代碼如下;

 

  1. PATH = os.getcwd()   
  2. #Define data path  
  3. data_path = PATH + '/data'  
  4. data_dir_list = os.listdir(data_path)  
  5. data_dir_list 

 

輸出:

  1. ['bike''cars''cats''dogs''flowers''horses''human'

可視化一些圖像,我們可以看到圖像是128x128像素,Python代碼如下:

 

  1. #Visualize some images  
  2. image = X_train[1441,:].reshape((128,128))  
  3. plt.imshow(image)  
  4. plt.show() 

 

用自己的數據構建一個簡單的卷積神經網絡 

接下來,我們開始在Keras中設計和編譯CNN模型,Python實現如下:

 

  1. #Initializing the input shape  
  2. input_shape = img_data[0].shape   
  3. #Design CNN sequential model  
  4. model = Sequential ([  
  5.  Convolution2D(32,3,3, border_mode = 'same', activation = 'relu', input_shape = input_shape),  
  6.  Convolution2D(32,3,3, activation = 'relu'),  
  7.  MaxPooling2D(pool_size = (2,2)),  
  8.  Dropout(0.5),   
  9.  Convolution2D(64,3,3, activation = 'relu'),  
  10.  MaxPooling2D(pool_size = (2,2)),  
  11.  Dropout(0.5),   
  12.  Flatten(),  
  13.  Dense(64, activation = 'relu'),  
  14.  Dropout(0.5),  
  15.  Dense(num_classes, activation = 'softmax' 
  16. ])   
  17. #Compiling the model  
  18. model.compile(  
  19.  loss = 'categorical_crossentropy',   
  20.  optimizer = 'adadelta' 
  21.  metrics = ['accuracy']) 

 

在擬合模型之后,我們可以在整個迭代過程中可視化訓練和驗證。

 

  1. ist = model.fit (X_train, y_train,  
  2.  batch_size = 16,  
  3.  nb_epoch = num_epoch,  
  4.  verbose=1,  
  5.  validation_data = (X_test, y_test)  
  6.  ) 

 



我們現在可以使用我們的模型使用以下代碼預測新圖像的新類:

 

  1. # Predicting the test image  
  2. print((model.predict(test_image)))  
  3. print('Image class:', model.predict_classes(test_image)) 

 

正如我們在下面看到的,我們的模型正確地將圖像分類為class [0] - bike。


 

  1. [[3.6560327e-01 2.7960737e-06 1.2630007e-03 2.9311934e-01 1.6894026e-02  
  2. 3.0998811e-01 1.3129448e-02]]  
  3. Image class: [0] 

這是一個混淆矩陣,沒有歸一化

我們現在可以保存模型和權重,以便在實際應用程序中實現。 

 

責任編輯:龐桂玉 來源: 今日頭條
相關推薦

2018-08-27 17:05:48

tensorflow神經網絡圖像處理

2018-04-08 11:20:43

深度學習

2024-09-24 07:28:10

2024-11-11 00:00:02

卷積神經網絡算法

2024-12-04 10:33:17

2025-02-19 18:00:00

神經網絡模型AI

2025-02-25 14:13:31

2024-11-05 16:19:55

2017-05-04 18:30:34

大數據卷積神經網絡

2022-04-07 09:01:52

神經網絡人工智能

2022-06-16 10:29:33

神經網絡圖像分類算法

2020-05-11 13:44:38

神經網絡人工智能深度學習

2024-08-22 08:21:10

算法神經網絡參數

2020-08-14 10:01:25

編程神經網絡C語言

2022-10-11 23:35:28

神經網絡VGGNetAlexNet

2018-03-22 13:34:59

TensorFlow神經網絡

2021-01-18 14:38:53

神經網絡人工智能神經元

2019-01-05 08:40:17

VGG神經網絡

2020-11-09 06:38:00

ninja構建方式構建系統

2017-12-28 14:44:42

Python人工智能神經網絡
點贊
收藏

51CTO技術棧公眾號

主站蜘蛛池模板: 国产欧美视频一区二区三区 | 一级毛片免费视频 | 成人免费黄色片 | 亚洲国产一区二区三区, | 国产精品99久久久久久大便 | 久久精品中文 | 别c我啊嗯国产av一毛片 | 国产欧美一级二级三级在线视频 | 国产黄色精品在线观看 | 久久久久99 | 美国十次成人欧美色导视频 | 性做久久久久久免费观看欧美 | 国产精品毛片无码 | 99久久免费精品视频 | 九九亚洲 | 亚洲精品一区在线 | 欧美精品v国产精品v日韩精品 | 手机看片1| 免费看a| 欧美激情综合 | 在线高清免费观看视频 | 一区二区三区中文字幕 | 成人国产精品久久 | 午夜视频精品 | 国产精品久久久久久久久久尿 | 91传媒在线观看 | 日韩av成人在线 | 神马久久久久久久久久 | 91国产视频在线观看 | 好姑娘影视在线观看高清 | 四虎成人在线播放 | 毛片的网址 | 欧美日韩一区精品 | 亚洲精品久久久久久国产精华液 | 午夜欧美一区二区三区在线播放 | 久久国产精彩视频 | 超碰超碰 | 欧美黄色一区 | 麻豆一区一区三区四区 | 免费毛片网 | 国产日韩av一区二区 |