当前位置: 首页 > news >正文

千卓品牌策划seo推广有效果吗

千卓品牌策划,seo推广有效果吗,微信官方微网站吗,阿里巴巴做网站费用文章目录 0 前言1 课题背景2 使用CNN进行猫狗分类3 数据集处理4 神经网络的编写5 Tensorflow计算图的构建6 模型的训练和测试7 预测效果8 最后 0 前言 #x1f525; 优质竞赛项目系列#xff0c;今天要分享的是 #x1f6a9; **基于深度学习猫狗分类 ** 该项目较为新颖 优质竞赛项目系列今天要分享的是 **基于深度学习猫狗分类 ** 该项目较为新颖适合作为竞赛课题方向学长非常推荐 学长这里给一个题目综合评分(每项满分5分) 难度系数3分工作量3分创新点3分 更多资料, 项目分享 https://gitee.com/dancheng-senior/postgraduate 1 课题背景 要说到深度学习图像分类的经典案例之一那就是猫狗大战了。猫和狗在外观上的差别还是挺明显的无论是体型、四肢、脸庞和毛发等等 都是能通过肉眼很容易区分的。那么如何让机器来识别猫和狗呢这就需要使用卷积神经网络来实现了。 本项目的主要目标是开发一个可以识别猫狗图像的系统。分析输入图像然后预测输出。实现的模型可以根据需要扩展到网站或任何移动设备。我们的主要目标是让模型学习猫和狗的各种独特特征。一旦模型的训练完成它将能够区分猫和狗的图像。 2 使用CNN进行猫狗分类 卷积神经网络 (CNN) 是一种算法将图像作为输入然后为图像的所有方面分配权重和偏差从而区分彼此。神经网络可以通过使用成批的图像进行训练每个图像都有一个标签来识别图像的真实性质这里是猫或狗。一个批次可以包含十分之几到数百个图像。 对于每张图像将网络预测与相应的现有标签进行比较并评估整个批次的网络预测与真实值之间的距离。然后修改网络参数以最小化距离从而增加网络的预测能力。类似地每个批次的训练过程都是类似的。 3 数据集处理 猫狗照片的数据集直接从kaggle官网下载即可下载后解压这是我下载的数据 相关代码 ​ import os,shutiloriginal_data_dir G:/Data/Kaggle/dogcat/trainbase_dir G:/Data/Kaggle/dogcat/smallDataif os.path.isdir(base_dir) False:os.mkdir(base_dir)# 创建三个文件夹用来存放不同的数据:train,validation,testtrain_dir os.path.join(base_dir,train)if os.path.isdir(train_dir) False:os.mkdir(train_dir)validation_dir os.path.join(base_dir,validation)if os.path.isdir(validation_dir) False:os.mkdir(validation_dir)test_dir os.path.join(base_dir,test)if os.path.isdir(test_dir) False:os.mkdir(test_dir)# 在文件中:train,validation,test分别创建cats,dogs文件夹用来存放对应的数据train_cats_dir os.path.join(train_dir,cats)if os.path.isdir(train_cats_dir) False:os.mkdir(train_cats_dir)train_dogs_dir os.path.join(train_dir,dogs)if os.path.isdir(train_dogs_dir) False:os.mkdir(train_dogs_dir)validation_cats_dir os.path.join(validation_dir,cats)if os.path.isdir(validation_cats_dir) False:os.mkdir(validation_cats_dir)validation_dogs_dir os.path.join(validation_dir,dogs)if os.path.isdir(validation_dogs_dir) False:os.mkdir(validation_dogs_dir)test_cats_dir os.path.join(test_dir,cats)if os.path.isdir(test_cats_dir) False:os.mkdir(test_cats_dir)test_dogs_dir os.path.join(test_dir,dogs)if os.path.isdir(test_dogs_dir) False:os.mkdir(test_dogs_dir)#将原始数据拷贝到对应的文件夹中 catfnames [cat.{}.jpg.format(i) for i in range(1000)]for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(train_cats_dir,fname)shutil.copyfile(src,dst)fnames [cat.{}.jpg.format(i) for i in range(1000,1500)]for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(validation_cats_dir,fname)shutil.copyfile(src,dst)fnames [cat.{}.jpg.format(i) for i in range(1500,2000)]for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(test_cats_dir,fname)shutil.copyfile(src,dst)#将原始数据拷贝到对应的文件夹中 dog fnames [dog.{}.jpg.format(i) for i in range(1000)] for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(train_dogs_dir,fname)shutil.copyfile(src,dst)fnames [dog.{}.jpg.format(i) for i in range(1000,1500)] for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(validation_dogs_dir,fname)shutil.copyfile(src,dst)fnames [dog.{}.jpg.format(i) for i in range(1500,2000)] for fname in fnames:src os.path.join(original_data_dir,fname)dst os.path.join(test_dogs_dir,fname)shutil.copyfile(src,dst) print(train cat images:, len(os.listdir(train_cats_dir))) print(train dog images:, len(os.listdir(train_dogs_dir))) print(validation cat images:, len(os.listdir(validation_cats_dir))) print(validation dog images:, len(os.listdir(validation_dogs_dir))) print(test cat images:, len(os.listdir(test_cats_dir))) print(test dog images:, len(os.listdir(test_dogs_dir))) train cat images: 1000 train dog images: 1000 validation cat images: 500 validation dog images: 500 test cat images: 500 test dog images: 500 4 神经网络的编写 cnn卷积神经网络的编写如下编写卷积层、池化层和全连接层的代码 ​ conv1_1 tf.layers.conv2d(x, 16, (3, 3), paddingsame, activationtf.nn.relu, nameconv1_1) conv1_2 tf.layers.conv2d(conv1_1, 16, (3, 3), paddingsame, activationtf.nn.relu, nameconv1_2) pool1 tf.layers.max_pooling2d(conv1_2, (2, 2), (2, 2), namepool1) conv2_1 tf.layers.conv2d(pool1, 32, (3, 3), paddingsame, activationtf.nn.relu, nameconv2_1) conv2_2 tf.layers.conv2d(conv2_1, 32, (3, 3), paddingsame, activationtf.nn.relu, nameconv2_2) pool2 tf.layers.max_pooling2d(conv2_2, (2, 2), (2, 2), namepool2) conv3_1 tf.layers.conv2d(pool2, 64, (3, 3), paddingsame, activationtf.nn.relu, nameconv3_1) conv3_2 tf.layers.conv2d(conv3_1, 64, (3, 3), paddingsame, activationtf.nn.relu, nameconv3_2) pool3 tf.layers.max_pooling2d(conv3_2, (2, 2), (2, 2), namepool3) conv4_1 tf.layers.conv2d(pool3, 128, (3, 3), paddingsame, activationtf.nn.relu, nameconv4_1) conv4_2 tf.layers.conv2d(conv4_1, 128, (3, 3), paddingsame, activationtf.nn.relu, nameconv4_2) pool4 tf.layers.max_pooling2d(conv4_2, (2, 2), (2, 2), namepool4)flatten tf.layers.flatten(pool4) fc1 tf.layers.dense(flatten, 512, tf.nn.relu) fc1_dropout tf.nn.dropout(fc1, keep_probkeep_prob) fc2 tf.layers.dense(fc1, 256, tf.nn.relu) fc2_dropout tf.nn.dropout(fc2, keep_probkeep_prob) fc3 tf.layers.dense(fc2, 2, None)5 Tensorflow计算图的构建 然后再搭建tensorflow的计算图定义占位符计算损失函数、预测值和准确率等等 ​ self.x tf.placeholder(tf.float32, [None, IMAGE_SIZE, IMAGE_SIZE, 3], input_data) self.y tf.placeholder(tf.int64, [None], output_data) self.keep_prob tf.placeholder(tf.float32) # 图片输入网络中 fc self.conv_net(self.x, self.keep_prob) self.loss tf.losses.sparse_softmax_cross_entropy(labelsself.y, logitsfc) self.y_ tf.nn.softmax(fc) # 计算每一类的概率 self.predict tf.argmax(fc, 1) self.acc tf.reduce_mean(tf.cast(tf.equal(self.predict, self.y), tf.float32)) self.train_op tf.train.AdamOptimizer(LEARNING_RATE).minimize(self.loss) self.saver tf.train.Saver(max_to_keep1)最后的saver是要将训练好的模型保存到本地。 6 模型的训练和测试 然后编写训练部分的代码训练步骤为1万步 ​ acc_list [] with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(TRAIN_STEP):train_data, train_label, _ self.batch_train_data.next_batch(TRAIN_SIZE)eval_ops [self.loss, self.acc, self.train_op]eval_ops_results sess.run(eval_ops, feed_dict{self.x:train_data,self.y:train_label,self.keep_prob:0.7})loss_val, train_acc eval_ops_results[0:2]acc_list.append(train_acc)if (i1) % 100 0:acc_mean np.mean(acc_list)print(step:{0},loss:{1:.5},acc:{2:.5},acc_mean:{3:.5}.format(i1,loss_val,train_acc,acc_mean))if (i1) % 1000 0:test_acc_list []for j in range(TEST_STEP):test_data, test_label, _ self.batch_test_data.next_batch(TRAIN_SIZE)acc_val sess.run([self.acc],feed_dict{self.x:test_data,self.y:test_label,self.keep_prob:1.0})test_acc_list.append(acc_val)print([Test ] step:{0}, mean_acc:{1:.5}.format(i1, np.mean(test_acc_list)))# 保存训练后的模型os.makedirs(SAVE_PATH, exist_okTrue)self.saver.save(sess, SAVE_PATH my_model.ckpt)训练结果如下 训练1万步后模型测试的平均准确率有0.82。 7 预测效果 选取三张图片测试 可见模型准确率还是较高的。 8 最后 更多资料, 项目分享 https://gitee.com/dancheng-senior/postgraduate
http://www.dnsts.com.cn/news/112615.html

相关文章:

  • 南宁市两学一做网站建设建设网站的
  • 企业做不做网站的坏处一个网站建设多少钱
  • 网站显示建设中页面p2p网站开发用什么平台
  • 网站开发制作流程网站建设幽默
  • 站长推荐跳转免费咨询心理医生在线
  • 织梦dedecms教育培训网站模板王野天女明星
  • 网站google搜索优化企业简介优势项目案例等模块点选即用
  • 温室网站建设外贸网站模板有什么用
  • 企业网站开发所需要的模块新公司网站建设方案
  • 电商网站模板下载更换域名wordpress
  • 旅游网站模板 手机小程序登录授权
  • 网站建设先买主机还是电商设计用什么软件
  • 中小型网站建设精英网站建设怎样回答客户问题
  • 南山优化网站建设案例网站设计师工作内容
  • dede网站栏目管理空白公司做网站要企业认证
  • 涡阳哪里有做网站的泰安人才
  • 贵州 网站建设wordpress模板更改
  • 牛商网专注营销型网站建设做个人网页
  • 网站哪个公司做的好沈阳公司
  • 网站设计制作案例不知此网站枉做男人的网站
  • 网站积分商城该怎么建立济南seo关键词排名工具
  • 怎样做商城网站的推广孝感市网站建设公司
  • 兼职网站高中生在家可做wordpress接入微博
  • 天津做国外网站分销系统模式
  • 报名入口网站建设网页做推广
  • 苏州seo网站推广哪家好网站建设 域名 服务器
  • 晋中做网站公司天津免费网站建站模板
  • 建设网站需要了解些什么问题wordpress资源站模板
  • 如何制作flash网站服务器登录入口
  • 成都网站网站建设南京营销网站建设