2025年卷积神经网络处理 cifa10 数据集

科技前沿 • 2025-03-18 14:56 • 阅读 83

大家好，我是讯享网，很高兴认识大家。

1. 首先是数据集的下载和使用

下载地址： http://www.cs.toronto.edu/~kriz/cifar.html
下载完成后无需解压
直接调用语句即可读取数据集

#具体语句如下 cifar10 = tf.keras.datasets.cifar10 #使用内置API keras下载数据集（速度缓慢） (x_train, y_train), (x_test, y_test) = cifar10.load_data() # 直接读取数据即可

讯享网

2.构建CNN模型

CIFA_10数据集是由 60000张RGB彩色图片构成

一共有10类分别为["airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck"]

其中50000张图片为训练集，10000张为测试集图片

在读取数据后我们可以输出测试集和训练集的数组大小

讯享网print(x_train.shape, y_train.shape) print(x_test.shape, y_test.shape)

运行结果为
在这里插入图片描述
讯享网
在送入卷积神经网络前先进行处理，使图片中的每个像素值都处于0~1之间
并转化为tf张量

x_train, x_test = tf.cast(x_train, dtype=tf.float32)/255.0, tf.cast(x_test, dtype=tf.float32)/255.0 y_train, y_test = tf.cast(y_train, dtype=tf.int32), tf.cast(y_test, dtype=tf.int32)

构建训练模型

讯享网# 构建Sequential模型 #建立模型 model model = Sequential([ #特征提取层1 layers.Conv2D(16, kernel_size=(3,3), padding="same", activation=tf.nn.relu,input_shape=x_train.shape[1:]), layers.Conv2D(16, kernel_size=(3,3), padding="same", activation=tf.nn.relu), layers.MaxPool2D(pool_size=(2,2)), layers.Dropout(0.2), #特征提取层2 layers.Conv2D(32, kernel_size=(3,3), padding="same", activation=tf.nn.relu), layers.Conv2D(32, kernel_size=(3,3), padding="same", activation=tf.nn.relu), layers.MaxPool2D(pool_size=(2,2)), layers.Dropout(0.2), #全连接层 layers.Flatten(), layers.Dropout(0.2), layers.Dense(128,activation='relu'), layers.Dropout(0.2), layers.Dense(10,activation="softmax"), ])

结构如图所示
在这里插入图片描述

4. 配置训练方法

使用 model.complie来配置训练的方法

# 配置方法 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['sparse_categorical_accuracy'])

5.训练模型

讯享网history = model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.2)

结果如图所示：
在这里插入图片描述
可见准确率达到了 65%

6.评估模型

对测试集使用 evaluate函数进行模型的评估可以得到该模型参数对测试集的图片准确率

model.evaluate(x_test, y_test, verbose=2)

在这里插入图片描述

准确率为 68%

7.测试

从测试集中随机抽取几张图片进行识别

讯享网plt.figure(figsize=(10,10)) for i in range(4): num = np.random.randint(1,10000) plt.subplot(1,4,i+1) plt.axis('off') plt.imshow(x_test[num],cmap='gray') demo = tf.reshape(x_test[num],(1,32,32,3)) y_pred = name[np.argmax(model.predict(demo))] plt.title('Original: ' + name[(y_test.numpy())[num,0]] + '\nPredict: ' + y_pred) plt.show()

可以看到此次的识别对了两个错了两个