# 使用Python实现深度学习模型：智能垃圾分类与环境保护

## 环境准备

pip install tensorflow pandas numpy matplotlib scikit-learn opencv-python


## 数据准备

import os
import cv2
import numpy as np
import pandas as pd

# 定义数据路径
data_path = 'data/garbage/'

# 读取数据
images = []
labels = []
for label in os.listdir(data_folder):
label_folder = os.path.join(data_folder, label)
for filename in os.listdir(label_folder):
if img is not None:
images.append(img)
labels.append(label)
return np.array(images), np.array(labels)

# 查看数据结构
print(f'Images shape: {images.shape}')
print(f'Labels shape: {labels.shape}')


## 数据预处理

from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split

# 调整图像大小
images_resized = np.array([cv2.resize(img, (128, 128)) for img in images])

# 数据标准化
images_resized = images_resized / 255.0

# 编码标签
label_encoder = LabelEncoder()
labels_encoded = label_encoder.fit_transform(labels)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(images_resized, labels_encoded, test_size=0.2, random_state=42)


## 构建深度学习模型

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

# 构建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)))

# 编译模型

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)


## 模型评估

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f'Test Accuracy: {accuracy}')


## 预测与应用

# 进行预测
predictions = model.predict(X_test)

# 显示预测结果
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 5))
for i in range(10):
plt.subplot(2, 5, i+1)
plt.imshow(X_test[i])
plt.title(f'Pred: {label_encoder.inverse_transform([np.argmax(predictions[i])])[0]}, True: {label_encoder.inverse_transform([y_test[i]])[0]}')
plt.axis('off')
plt.show()


## 总结

|
9天前
|

36 5
|
4天前
|
Python
Python的Virtualenv与Venv环境管理器

13 2
|
4天前
|
Python
Python软件包及环境管理器conda实战篇

24 2
|
5天前
|

25 1
|
9天前
|
C++ Python
VS Code 搭建 Python 环境 Conda管理
VS Code 搭建 Python 环境 Conda管理
22 2
|
1天前
|

9 0
|
2天前
|

10 0
|
6天前
|

【8月更文挑战第31天】 本文是一篇面向初学者的深度学习指南，旨在通过简洁明了的语言引导读者了解并实现他们的第一个神经网络。我们将一起探索深度学习的基本概念，并逐步构建一个能够识别手写数字的简单模型。文章将展示如何使用Python语言和TensorFlow框架来训练我们的网络，并通过直观的例子使抽象的概念具体化。无论你是编程新手还是深度学习领域的新兵，这篇文章都将成为你探索这个激动人心领域的垫脚石。
16 0
|
7天前
|

【8月更文挑战第31天】本文将引导你走进深度学习的世界，通过Python代码示例，我们将一起构建并训练一个简单的神经网络。文章不仅会解释核心概念，还会展示如何将这些理论应用到实际的编程中。无论你是初学者还是有一定基础的学习者，这篇文章都将为你提供宝贵的学习资源。
12 0
|
7天前
|

【8月更文挑战第31天】本文旨在为初学者提供一条清晰的路径，以了解和实践深度学习的基础知识。通过简洁明了的语言和直观的代码示例，我们将一起构建一个简单的神经网络模型，并探索其背后的原理。无论你是编程新手还是深度学习领域的新来者，这篇文章都将是你的理想起点。让我们开始这段激动人心的旅程吧！
7 0

DDNS