关于算法:花朵分类一

本次教程的目标是率领大家学会根本的花朵图像分类

首先咱们来介绍下数据集，该数据集有5种花，一共有3670张图片，别离是daisy、dandelion、roses、sunflowers、tulips，数据寄存构造如下所示

咱们能够展现下roses的几张图片

接下来咱们须要加载数据集，而后对数据集进行划分，最初造成训练集、验证集、测试集，留神此处的验证集是从训练集切分进去的，比例是8:2

对数据进行摸索的时候，咱们发现原始的像素值是0-255，为了模型训练更稳固以及更容易收敛，咱们须要标准化数据集，一般来说就是把像素值缩放到0-1，能够用上面的layer来实现

normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1./255)

为了使训练的时候I/O不成为瓶颈，咱们能够进行如下设置

AUTOTUNE = tf.data.AUTOTUNEtrain_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

下一步就是模型搭建，而后对模型进行训练

num_classes = 5model = tf.keras.Sequential([  tf.keras.layers.experimental.preprocessing.Rescaling(1./255),  tf.keras.layers.Conv2D(32, 3, activation='relu'),  tf.keras.layers.MaxPooling2D(),  tf.keras.layers.Conv2D(32, 3, activation='relu'),  tf.keras.layers.MaxPooling2D(),  tf.keras.layers.Conv2D(32, 3, activation='relu'),  tf.keras.layers.MaxPooling2D(),  tf.keras.layers.Flatten(),  tf.keras.layers.Dense(128, activation='relu'),  tf.keras.layers.Dense(num_classes)])model.compile(  optimizer='adam',  loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),  metrics=['accuracy'])model.fit(  train_ds,  validation_data=val_ds,  epochs=3)

从上图的训练记录能够发现，该模型处于欠拟合状态，咱们能够通过多训练几轮来解决这个问题，而且为了疾速试验，咱们这里用了一个非常简单的模型，咱们能够通过更换更强的模型，来晋升模型的体现

代码链接: https://codechina.csdn.net/cs...