机器学习（基本图像分类）

朱雀 2023-05-29 11:38 228阅读 0赞

# **1.安装Anaconda3** #

**下载地址：**[https://www.anaconda.com/distribution/\#windows][https_www.anaconda.com_distribution_windows]

一路下一步即可……

![20191101112106488.png][]

详细：[https://blog.csdn.net/ychgyyn/article/details/82119201][https_blog.csdn.net_ychgyyn_article_details_82119201]

# **2.安装TensorFlow** #

python -m pip install --upgrade pip
    pip install --ignore-installed --upgrade tensorflow # cpu版本
    pip install --ignore-installed --upgrade tensorflow-gpu # gpu版本
    # https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.0.0-cp37-cp37m-win_amd64.whl

如果同时安装了两个版本，默认下运行gpu版，如想运行cpu版，可代码中设置如下：

with tf.Session() as ses:
        with tf.device("/cpu:0"):
            matrix1=tf.constant([[3.,3.]])
            matrix2=tf.constant([[2.],[2.]])
            product=tf.matmul(matrix1,matrix2)

<table> 
 <thead> 
  <tr> 
   <th>字符</th> 
   <th>对应的操作</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>"/cpu:0"</code></td> 
   <td>The CPU of your machine</td> 
  </tr> 
  <tr> 
   <td><code>"/gpu:0"</code></td> 
   <td>The GPU of yout machine ,if you have one</td> 
  </tr> 
 </tbody> 
</table>

**GPU版本需要安装CUDA**

参考： [https://www.cnblogs.com/wanyu416/p/9536853.html][https_www.cnblogs.com_wanyu416_p_9536853.html]

链接: https://pan.baidu.com/s/1vz\_f\_OQG9Cah2cGydzSvag 提取码: hqiq

cudnn安装，其实就是解压，解压到当前文件夹，然后拷贝到对应的文件夹下：

cudnn64\_7.dll 拷贝到：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\bin

cudnn.h 拷贝到：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\include

cudnn.lib 拷贝到：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\lib\\x64

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70][]

**设置Pycharm环境：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70 1][]

# 基本图像分类 #

from __future__ import absolute_import, division, print_function, unicode_literals
    
    # 助手库
    import matplotlib.pyplot as plt
    import numpy as np
    # TensorFlow和tf.keras
    import tensorflow as tf
    from tensorflow import keras
    
    print(tf.__version__)
    
    
    def plot_image(i, predictions_array, true_label, img):
        predictions_array, true_label, img = predictions_array, true_label[i], img[i]
        plt.grid(False)
        plt.xticks([])
        plt.yticks([])
    
        plt.imshow(img, cmap=plt.cm.binary)
    
        predicted_label = np.argmax(predictions_array)
        if predicted_label == true_label:
            color = 'blue'
        else:
            color = 'red'
    
        plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                             100 * np.max(predictions_array),
                                             class_names[true_label]),
                   color=color)
    
    
    def plot_value_array(i, predictions_array, true_label):
        predictions_array, true_label = predictions_array, true_label[i]
        plt.grid(False)
        plt.xticks(range(10))
        plt.yticks([])
        thisplot = plt.bar(range(10), predictions_array, color="#777777")
        plt.ylim([0, 1])
        predicted_label = np.argmax(predictions_array)
    
        thisplot[predicted_label].set_color('red')
        thisplot[true_label].set_color('blue')
    
    
    # 加载数据
    """
    加载数据集返回四个NumPy数组:
    train_images和train_label数组是训练集——模型用来学习的数据
    模型将根据测试集test_images和test_label数组进行测试
    """
    fashion_mnist = keras.datasets.fashion_mnist
    
    (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
    
    """
    每个图像都映射到单个标签。由于类名没有包含在数据集中，所以将它们存储在这里，以便以后绘制图像时使用:
    """
    class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
                   'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
    
    # 训练集
    print(train_images.shape)
    print(len(train_labels))
    print(train_labels)
    # 测试集
    print(test_images.shape)
    print(len(test_images))
    # 在训练网络之前，必须对数据进行预处理
    # 如果你检查训练集中的第一个图像，你会看到像素值落在0到255的范围内:
    plt.figure()
    a = train_images[0]
    plt.imshow(train_images[0])
    plt.colorbar()
    plt.grid(False)
    plt.show()
    
    """
    将这些值缩放到0到1的范围
    为此，将这些值除以255。重要的是，训练集和测试集以相同的方式预处理
    """
    train_images = train_images / 255.0
    
    test_images = test_images / 255.0
    """
    为了验证数据的格式是否正确
    以及您是否准备好构建和训练网络
    让我们显示来自训练集的前25个图像
    并在每个图像下面显示类名
    """
    plt.figure(figsize=(10, 10))
    for i in range(25):
        plt.subplot(5, 5, i + 1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(train_images[i], cmap=plt.cm.binary)
        plt.xlabel(class_names[train_labels[i]])
    plt.show()
    
    # 建模
    # 设置图层
    """
    神经网络的基本构件是层
    层从输入的数据中提取表示
    大多数深度学习是由简单的层次链接在一起构成的
    比如tf.keras.layers
    """
    """
    这个网络的第一层，tf.keras.layers。Flatten
    将图像的格式从一个二维数组(28×28像素)转换为一个一维数组(28 * 28 = 784像素)
    可以把这个层看作是将图像中的像素行分解并排列起来
    这一层没有需要学习的参数;它只重新格式化数据
    当像素被压平后，网络由两个tf.keras.layers.Dense组成的序列组成层
    这些神经层紧密相连第一Dense层有128个节点(或神经元)
    第二层(也是最后一层)是一个10节点的softmax层，它返回一个10个概率值的数组，这些概率值的和为1
    每个节点包含一个分数，表示当前图像属于10个类之一的概率
    """
    model = keras.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(128, activation='relu'),
        keras.layers.Dense(10, activation='softmax')
    ])
    
    # 编译模型
    """
    在模型准备好进行培训之前它需要更多的设置
    这些是在模型的编译步骤中添加的:
    """
    """
    Optimizer     ——这是根据它看到的数据和它的损失函数更新模型的方法
    loss function ——测量训练过程中模型的准确性,您想要最小化这个函数来“引导”模型朝正确的方向前进
    metrics       ——用于监视培训和测试步骤,下面的例子使用精度,即正确分类的图像的分数
    """
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    
    # 训练模型
    """
    训练神经网络模型需要以下步骤:
    """
    """
    1.将训练数据输入模型,在本例中,训练数据位于train_images和train_tags数组中
    2.这个模型学会了把图像和标签联系起来
    3.您要求模型对一个测试集做出预测—在这个例子中:test_images数组,验证预测是否与test_labels数组中的标签匹配
    """
    # 要开始训练，使用model.fit 方法——之所以这么叫，是因为它将模型“适合”于训练数据:
    # 当模型训练时，显示损失和精度指标。该模型对训练数据的准确率约为0.9099(或90%)
    model.fit(train_images, train_labels, epochs=10)
    
    # 评估准确性
    test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
    # 结果表明，测试数据集的准确性略低于训练数据集的准确性
    # 这种训练精度和测试精度之间的差距表示过度拟合
    # 过度拟合是指机器学习模型在新的、以前未见过的输入上的表现不如在训练数据上的表现
    print('\nTest accuracy:', test_acc)
    
    # 作出预测
    # 通过训练模型，您可以使用它对一些图像进行预测
    predictions = model.predict(test_images)
    # 模型已经预测了测试集中每张图片的标签
    # 让我们看一下第一个预测
    print(predictions[0])
    print(class_names[int(np.argmax(predictions[0]))])
    
    # 绘制这张图来查看完整的10个类预测
    """
    让我们看看第0张图片、预测和预测数组
    正确的预测标签是蓝色的，错误的预测标签是红色的
    这个数字给出了预测标签的百分比(满分100)
    """
    for i in range(3):
        plt.figure(figsize=(6, 3))
        plt.subplot(1, 2, 1)
        plot_image(i, predictions[i], test_labels, test_images)
        plt.subplot(1, 2, 2)
        plot_value_array(i, predictions[i], test_labels)
        plt.show()
    
    # 绘制错误情况
    num_rows = 5
    num_cols = 3
    num_images = num_rows * num_cols
    plt.figure(figsize=(2 * 2 * num_cols, 2 * num_rows))
    for i in range(num_images):
        plt.subplot(num_rows, 2 * num_cols, 2 * i + 1)
        plot_image(i, predictions[i], test_labels, test_images)
        plt.subplot(num_rows, 2 * num_cols, 2 * i + 2)
        plot_value_array(i, predictions[i], test_labels)
    plt.tight_layout()
    plt.show()
    
    # 最后
    # 利用训练后的模型对单个图像进行预测
    img = test_images[1]
    print(img.shape)
    """
    tf.keras模型经过优化
    可以一次对一批或一组示例进行预测
    因此,即使你使用的是一张图片,你也需要将它添加到一个列表中:
    """
    # 将图像添加到批处理中，其中它是唯一的成员。
    img = (np.expand_dims(img, 0))
    print(img.shape)
    # 现在预测这个图像的正确标签:
    predictions_single = model.predict(img)
    
    print(predictions_single)
    plt.figure(figsize=(6, 3))
    plt.subplot(1, 2, 1)
    # 绘图
    plot_image(1, predictions_single[0], test_labels, test_images)
    plt.subplot(1, 2, 2)
    # 绘制列表
    plot_value_array(1, predictions_single[0], test_labels)
    _ = plt.xticks(range(10), class_names, rotation=90)
    plt.show()
    """
    model.predict 返回一个列表列表-为批处理数据中的每个图像一个列表。抓住预测我们的(唯一的)图像批:
    """
    print(class_names[int(np.argmax(predictions_single[0]))])

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70 2][]

[https_www.anaconda.com_distribution_windows]: https://www.anaconda.com/distribution/#windows
[20191101112106488.png]: https://img-blog.csdnimg.cn/20191101112106488.png
[https_blog.csdn.net_ychgyyn_article_details_82119201]: https://blog.csdn.net/ychgyyn/article/details/82119201
[https_www.cnblogs.com_wanyu416_p_9536853.html]: https://www.cnblogs.com/wanyu416/p/9536853.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191101124949708.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191101120024554.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191101125158433.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NTk4MDEx,size_16,color_FFFFFF,t_70