Tensorflow2（预课程）---7.5、cifar10分类-层方式-卷积神经网络-VGG16
Tensorflow2（预课程）---7.5、cifar10分类-层方式-卷积神经网络-VGG16
一、总结
一句话总结：
可以看到，cifar10用vgg16分类，测试集准确率有86.50
# 构建容器 model = tf.keras.Sequential() # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3),padding='same',input_shape=(32,32,3))) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBAPD model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层 model.add(tf.keras.layers.Dropout(0.2)) # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBAPD model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层 model.add(tf.keras.layers.Dropout(0.2)) # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=256, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=256, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBAPD model.add(tf.keras.layers.Conv2D(filters=256, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层 model.add(tf.keras.layers.Dropout(0.2)) # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBAPD model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层 model.add(tf.keras.layers.Dropout(0.2)) # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBA model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 # 卷积层：CBAPD model.add(tf.keras.layers.Conv2D(filters=512, kernel_size=(3, 3),padding='same')) # 卷积层 model.add(tf.keras.layers.BatchNormalization()) # BN层 model.add(tf.keras.layers.Activation('relu')) # 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层 model.add(tf.keras.layers.Dropout(0.2)) # 全连接层 model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(512,activation='relu')) model.add(tf.keras.layers.Dropout(0.2)) model.add(tf.keras.layers.Dense(512,activation='relu')) model.add(tf.keras.layers.Dropout(0.2)) # 输出层 model.add(tf.keras.layers.Dense(10,activation='softmax')) # 模型的结构 model.summary()
二、cifar10分类-层方式-卷积神经网络-VGG16
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
cifar10（物品分类）
该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。
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.cifar10.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/255.0
test_x = test_x/255.0
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=10)
test_y = tf.one_hot(test_y, depth=10)
print(test_y.shape)
3、构建模型
应该构建一个怎么样的模型：
In [10]:
# 构建容器
model = tf.keras.Sequential()
# 卷积层：CBA
model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3),padding='same',input_shape=(32,32,3))) # 卷积层
model.add(tf.keras.layers.BatchNormalization()) # BN层
model.add(tf.keras.layers.Activation('relu')) # 激活层
# 卷积层：CBAPD
model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3),padding='same')) # 卷积层
model.add(tf.keras.layers.BatchNormalization()) # BN层
model.add(tf.keras.layers.Activation('relu')) # 激活层
model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2, padding='same')) # 池化层
model.add(tf.keras.layers.Dropout(0.2))
# 卷积层：CBA
model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3),padding='same')) # 卷积层
model.add(tf.keras.layers.BatchNormalization()) # BN层
model.add(tf.keras.layers.Activation('relu')) # 激活层
# 卷积层：CBAPD
model.add(tf.keras