【Python深度学习】Tensorflow对半环形数据分类、手写数字识别、猫狗识别实战(附源码)

简介: 【Python深度学习】Tensorflow对半环形数据分类、手写数字识别、猫狗识别实战(附源码)

需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、半环形数据分类

Tensorflow是常见流行的深度学习平台,下面利用它来对半环形数据集进行分类

首先产生半环形数据集

接着开始训练模型 总共训练三十次 可以看到损失在逐渐降低,精确度在逐渐提高

结果展示如下, 可以看出大致可以拟合出一条折线将数据集分为两个区域 类似于kmeans算法

部分代码如下

# encoding: utf-8
import numpy as np
from sklearn.datasets import make_moons
import tensorflow as tf
from sklearn.model_selection import train_test_split
from tensorflow.keras import layers, Sequential, optimizers, losses, metrics
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt
# 产生一个半环形数据集
X, y = make_moons(200, noise=0.25, random_state=100)  
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=2)
print(X.shape, y.shape)
def make_plot(X, y, plot_name, XX=None, YY=None, preds=None):
    plt.figure()
    axes = plt.gca()
    x_min = X[:, 0].min() - 1
    x_max = X[:, 0].max() + 1
    y_min = X[:, 1].min() - 1
    y_max = X[:, 1].max() + 1
    axes.set_xlim([x_min, x_max])
    axes.set_ylim([y_min, y_max])
    axes.set(xlabel="$x_l$", ylabel="$x_2$")
    if XX is None and YY is None and preds is None:
        yr = y.ravel()
        for step in range(X[:, 0].size):
            if yr[step] == 1:
                plt.scatter(X[step, 0], X[step, 1], c='b', s=20,  edgecolors='none', marker='x')
            else:
                plt.scatter(X[step, 0], X[step, 1], c='r', s=30, edgecolors='none', marker='o')
        plt.show()
    else:
        plt.contour(XX, YY, preds, cmap=plt.cm.spring, alpha=0.8)
        plt.scatter(X[:, 0], X[:, 1], c=y, s=20, cmap=plt.cm.Greens, edgecolors='k')
        plt.rcParams['font.sans-serif'] = ['SimHei']  
        plt.rcParams['axes.unicode_minus'] = False
        plt.title(plot_name)
        plt.show()
make_plot(X, y, None)
#创建容器 
model = Sequential()  
#创建第一层
model.add(Dense(8, input_dim=2, activation='relu'))  
for _ in range(3):
    model.add(Dense(32, activation='relu'))
#创建最后一层,激活
model
y_min = X[:, 1].min() - 1
y_max = X[:, 1].max() + 1
XX, YY = np.meshgrid(np.arange(x_min, x_max, 0.01), np.arange(y_min, y_max, 0.01)) 
Z = model.predict_classes(np.c_[XX.ravel(), YY.ravel()])
preds = Z.reshape(XX.shape)
title = "分类结果"
make_plot(X_train, y_train, title, XX, YY, preds)

 

二、手写数字识别

下面使用深度学习进行一个简单的手写数字识别

输出结果如下 精度大概在百分之九十七

代码如下

import tensorflow as tf
#载入MNIST 数据集。
mnist = tf.keras.datasets.mnist
#拆分数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
#将样本进行预处理,并从整数转换为浮点数
x_train, x_test = x_train / 255.0, x_test / 255.0
#使用tf.keras.Sequential将模型的各层堆叠,并设置参数
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])
#设置模型的优化器和损失函数
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
#训练并验证模型
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test,  y_test, verbose=2)

三、猫狗识别

下面利用tensorflow平台实现对猫狗品种的识别

原图片如下

识别结果如下 第二项是品种 第三项是预测的概率

部分代码如下

from tensorflow.keras.applications.resnet50 import ResNet50 
from tensorflow.keras.preprocessing import image 
from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions 
import numpy as np 
from PIL import ImageFont, ImageDraw, Image 
import cv2
img_path = 'dog.jpg'     #进行狗的判断
#img_path = 'cat.jpg'     #进行猫的判断
#img_path = 'deer.jpg'    #进行鹿的判断
img = image.load_img(img_path, target_size=(224, 224)) 
x = image.img_to_array(img) 
x = np.expand_dims(x, axis=0) 
x = preprocess_input(x)
weights_path = 'resnet50_weights_tf_dim_ordering_tf_kernels.h5'
def get_model(): 
    model = ResNet50(weights=weights_path) 
    # 导入模型以及预训练权重
    print(model.summary()) # 打印模型概况 
    return model
model = get_model()

创作不易 觉得有帮助请点赞关注收藏~~~

相关文章
|
21天前
|
机器学习/深度学习 数据采集 算法
构建高效图像分类模型:深度学习在处理大规模视觉数据中的应用
随着数字化时代的到来,海量的图像数据被不断产生。深度学习技术因其在处理高维度、非线性和大规模数据集上的卓越性能,已成为图像分类任务的核心方法。本文将详细探讨如何构建一个高效的深度学习模型用于图像分类,包括数据预处理、选择合适的网络架构、训练技巧以及模型优化策略。我们将重点分析卷积神经网络(CNN)在图像识别中的运用,并提出一种改进的训练流程,旨在提升模型的泛化能力和计算效率。通过实验验证,我们的模型能够在保持较低计算成本的同时,达到较高的准确率,为大规模图像数据的自动分类和识别提供了一种有效的解决方案。
|
2月前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习-数据增强与扩充
深度学习-数据增强与扩充
57 1
|
10天前
|
机器学习/深度学习 数据采集 算法
深度学习在医学影像识别中的应用与挑战
医学影像识别是深度学习技术在医疗领域中的重要应用之一。本文将探讨深度学习在医学影像识别中的应用现状、挑战以及未来发展方向。通过对深度学习算法的介绍和医学影像识别的案例分析,展示了深度学习在提高医学影像诊断准确性、降低医疗成本、改善医疗服务质量等方面的潜力。同时,也指出了在医学影像识别中面临的数据质量、隐私保护、模型可解释性等挑战,并探讨了未来发展中需要解决的技术问题和可能的解决方案。
|
19天前
|
机器学习/深度学习 算法
深度学习在医学影像识别中的应用与挑战
医学影像识别是深度学习在医疗领域中的重要应用之一,通过结合深度学习算法和医学影像技术,可以实现对疾病、肿瘤等病变的自动化识别和分析。本文将从深度学习在医学影像识别中的优势和挑战两个方面展开讨论,旨在探讨深度学习技术在医学影像领域的前景和发展方向。
8 0
|
21天前
|
机器学习/深度学习 算法
深度学习在医疗影像识别中的应用与挑战
传统医疗影像识别技术在临床诊断中存在一定局限性,而深度学习技术的引入为医疗影像识别带来了新的可能性。本文将探讨深度学习在医疗影像识别中的应用现状与挑战,并分析其潜在的未来发展方向。
|
23天前
|
机器学习/深度学习 人工智能 算法
深度学习在医疗影像识别中的应用与挑战
随着人工智能技术的不断发展,深度学习在医疗领域的应用日益广泛。本文将探讨深度学习在医疗影像识别中的重要性及挑战,展示其在提高诊断准确性、加速医疗影像分析等方面的潜力与前景。
7 1
|
23天前
|
机器学习/深度学习 数据采集 数据可视化
如何使用Python的PyBrain库进行深度学习?
PyBrain是Python的深度学习库,用于构建和训练模型。步骤包括安装库、导入模块、准备数据集、创建网络、训练、预测、评估和可视化。示例代码展示了如何使用PyBrain处理线性数据,包括数据预处理、构建2-3-1网络、BackpropTrainer训练、计算MSE误差和结果可视化。
12 0
|
24天前
|
机器学习/深度学习 算法 生物认证
基于深度学习的人员指纹身份识别算法matlab仿真
这是一个关于使用深度学习进行指纹识别的算法概述。在matlab2022a环境下,通过预处理指纹图像(灰度化、二值化等)并利用卷积神经网络(CNN)提取特征。CNN架构包含卷积、池化、归一化和全连接层。特征向量通过余弦相似度计算匹配,训练时采用triplet loss优化。部分核心代码展示了加载预训练模型进行测试集分类预测并计算准确率的过程。
|
1月前
|
机器学习/深度学习 PyTorch TensorFlow
有什么资源或教程可以帮助我学习深度学习和Python中的深度学习框架?
【2月更文挑战第14天】【2月更文挑战第39篇】有什么资源或教程可以帮助我学习深度学习和Python中的深度学习框架?
|
1月前
|
机器学习/深度学习 PyTorch TensorFlow
python实现深度学习模型(如:卷积神经网络)。
【2月更文挑战第14天】【2月更文挑战第38篇】实现深度学习模型(如:卷积神经网络)。