Tensorflow2（预课程）---8.1、cifar100分类-层方式
一、总结
一句话总结：
全连接神经网络做cifar100分类不行，简单测试一下，准确率才20%，需要换别的神经网络
二、cifar100分类-层方式
博客对应课程的视频位置：
步骤
1、读取数据集
2、拆分数据集（拆分成训练数据集和测试数据集）
3、构建模型
4、训练模型
5、检验模型需求
cifar100（物品分类）
cifar100这个数据集就像CIFAR-10，除了它有100个类，每个类包含600个图像。，每类各有500个训练图像和100个测试图像。CIFAR-100中的100个类被分成20个超类。每个图像都带有一个“精细”标签（它所属的类）和一个“粗糙”标签（它所属的超类） 以下是CIFAR-100中的类别列表：
| 超类 | 类别 |
|---|---|
| 水生哺乳动物 | 海狸，海豚，水獭，海豹，鲸鱼 |
| 鱼 | 水族馆的鱼，比目鱼，射线，鲨鱼，鳟鱼 |
| 花卉 | 兰花，罂粟花，玫瑰，向日葵，郁金香 |
| 食品容器 | 瓶子，碗，罐子，杯子，盘子 |
| 水果和蔬菜 | 苹果，蘑菇，橘子，梨，甜椒 |
| 家用电器 | 时钟，电脑键盘，台灯，电话机，电视机 |
| 家用家具 | 床，椅子，沙发，桌子，衣柜 |
| 昆虫 | 蜜蜂，甲虫，蝴蝶，毛虫，蟑螂 |
| 大型食肉动物 | 熊，豹，狮子，老虎，狼 |
| 大型人造户外用品 | 桥，城堡，房子，路，摩天大楼 |
| 大自然的户外场景 | 云，森林，山，平原，海 |
| 大杂食动物和食草动物 | 骆驼，牛，黑猩猩，大象，袋鼠 |
| 中型哺乳动物 | 狐狸，豪猪，负鼠，浣熊，臭鼬 |
| 非昆虫无脊椎动物 | 螃蟹，龙虾，蜗牛，蜘蛛，蠕虫 |
| 人 | 宝贝，男孩，女孩，男人，女人 |
| 爬行动物 | 鳄鱼，恐龙，蜥蜴，蛇，乌龟 |
| 小型哺乳动物 | 仓鼠，老鼠，兔子，母老虎，松鼠 |
| 树木 | 枫树，橡树，棕榈，松树，柳树 |
| 车辆1 | 自行车，公共汽车，摩托车，皮卡车，火车 |
| 车辆2 | 割草机，火箭，有轨电车，坦克，拖拉机 |
| Superclass | Classes |
|---|---|
| aquatic | mammals beaver, dolphin, otter, seal, whale |
| fish | aquarium fish, flatfish, ray, shark, trout |
| flowers | orchids, poppies, roses, sunflowers, tulips |
| food | containers bottles, bowls, cans, cups, plates |
| fruit | and vegetables apples, mushrooms, oranges, pears, sweet peppers |
| household | electrical devices clock, computer keyboard, lamp, telephone, television |
| household | furniture bed, chair, couch, table, wardrobe |
| insects | bee, beetle, butterfly, caterpillar, cockroach |
| large carnivores | bear, leopard, lion, tiger, wolf |
| large man-made outdoor things | bridge, castle, house, road, skyscraper |
| large natural outdoor scenes | cloud, forest, mountain, plain, sea |
| large omnivores and herbivores | camel, cattle, chimpanzee, elephant, kangaroo |
| medium-sized mammals | fox, porcupine, possum, raccoon, skunk |
| non-insect invertebrates | crab, lobster, snail, spider, worm |
| people | baby, boy, girl, man, woman |
| reptiles | crocodile, dinosaur, lizard, snake, turtle |
| small mammals | hamster, mouse, rabbit, shrew, squirrel |
| trees | maple, oak, palm, pine, willow |
| vehicles 1 | bicycle, bus, motorcycle, pickup truck, train |
| vehicles 2 | lawn-mower, rocket, streetcar, tank, tractor |
In [1]:
import pandas as pd import numpy as np import tensorflow as tf import matplotlib.pyplot as plt
1、读取数据集
直接从tensorflow的dataset来读取数据集即可
In [2]:
(train_x, train_y), (test_x, test_y) = tf.keras.datasets.cifar100.load_data() print(train_x.shape, train_y.shape)
这是32*32的彩色图，rgb三个通道如何处理呢
In [3]:
plt.imshow(train_x[0]) plt.show()
In [4]:
plt.figure() plt.imshow(train_x[1]) plt.figure() plt.imshow(train_x[2]) plt.show()
In [5]:
print(test_y)
In [6]:
# 像素值 RGB
np.max(train_x[0])
Out[6]:
2、拆分数据集（拆分成训练数据集和测试数据集）
上一步做了拆分数据集的工作
In [7]:
# 图片数据如何归一化
# 直接除255即可 train_x = train_x/255 test_x = test_x/255
In [8]:
# 像素值 RGB
np.max(train_x[0])
Out[8]:
In [9]:
train_y=train_y.flatten() test_y=test_y.flatten() train_y = tf.one_hot(train_y, depth=100) test_y = tf.one_hot(test_y, depth=100) print(test_y.shape)
3、构建模型
应该构建一个怎么样的模型：
输入是32*32*3维，输出是一个label，是一个10分类问题，
需要one_hot编码么，如果是one_hot编码，那么输出是10维
也就是 32*32*3->n->10，可以试下3072->1024->512->256->128->10
In [10]:
# 构建容器
model = tf.keras.Sequential() # 输入层 # 将多维数据（60000, 32, 32, 3）变成一维 # 把图像扁平化成一个向量 model.add(tf.keras.layers.Flatten(input_shape=(32,32,3))) # 中间层 model.add(tf.keras.layers.Dense(1024,activation='relu')) model.add(tf.keras.layers.Dense(512,activation='relu')) model.add(tf.keras.layers.Dense(256,activation='relu')) model.add(tf.keras.layers.Dense(128,activation='relu')) # 输出层 model.add(tf.keras.layers.Dense(100,activation='softmax')) # 模型的结构 model.summary()
太玄学了，增加层(比如在128和10之间增加32)并不能使准确率增加
4、训练模型
In [11]:
# 配置优化函数和损失器
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['acc']) # 开始训练 history = model.fit(train_x,train_y,epochs=50,validation_data=(test_x,test_y))
In [12]:
plt.plot(history.epoch,history.history.get('loss')) plt.title("train data loss") plt.show()
In [13]:
plt.plot(history.epoch,history.history.get('val_loss')) plt.title("test data loss") plt.show()
In [14]:
plt.plot(history.epoch,history.history.get('acc')) plt.title("train data acc") plt.show()
In [15]:
plt.plot(history.epoch,history.history.get('val_acc')) plt.title("test data acc") plt.show()
5、检验模型
In [16]:
# 看一下模型的预测能力
pridict_y=model.predict(test_x) print(pridict_y) print(test_y)
In [17]:
# 在pridict_y中找最大值的索引，横向
pridict_y = tf.argmax(pridict_y, axis=1) print(pridict_y) # test_y = tf.argmax(test_y, axis=1) print(test_y)
In [18]:
plt.figure() plt.imshow(test_x[0]) plt.figure() plt.imshow(test_x[1]) plt.figure() plt.imshow(test_x[2]) plt.figure() plt.imshow(test_x[3]) plt.show()
In [ ]: