网站腾讯qq对话框怎么做,网站制作公司 知乎,校园二手物品交易网站开发背景,濮阳佳杰网站建设巧用不对称目录
1. 划分二分类
2. 训练独立的二分类模型
3. 二分类预测结果代码
4. 二分类预测结果
5 改进训练模型
6 优化后 预测结果代码 7 优化后预测结果
8 训练四分类模型
9 预测结果代码
10 四分类结果识别 1. 划分二分类
可以根据不同的类别进行多个划分#xff0c;以…
目录
1. 划分二分类
2. 训练独立的二分类模型
3. 二分类预测结果代码
4. 二分类预测结果
5 改进训练模型
6 优化后 预测结果代码 7 优化后预测结果
8 训练四分类模型
9 预测结果代码
10 四分类结果识别 1. 划分二分类
可以根据不同的类别进行多个划分以实现NonDemented为例划分为NonDemented和Demented两类不属于NonDemented的全都属于Demented 2. 训练独立的二分类模型
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.preprocessing.image import ImageDataGeneratorfrom 文件准备 import data_dir# 数据生成器
train_datagen ImageDataGenerator(rescale1./255,shear_range0.2,zoom_range0.2,horizontal_flipTrue,validation_split0.2 # 20%用于验证
)train_generator train_datagen.flow_from_directory(data_dir,target_size(28, 28),batch_size32,class_modebinary,subsettraining
)validation_generator train_datagen.flow_from_directory(data_dir,target_size(28, 28),batch_size32,class_modebinary,subsetvalidation
)# 构建LeNet-5模型
model models.Sequential()
model.add(layers.Conv2D(6, (5, 5), activationrelu, input_shape(28, 28, 3), paddingsame))
model.add(layers.AveragePooling2D((2, 2)))
model.add(layers.Conv2D(16, (5, 5), activationrelu, paddingsame))
model.add(layers.AveragePooling2D((2, 2)))
model.add(layers.Conv2D(120, (5, 5), activationrelu, paddingsame))
model.add(layers.Flatten())
model.add(layers.Dense(84, activationrelu))
model.add(layers.Dense(1, activationsigmoid))# 编译模型
model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])# 训练模型
model.fit(train_generator,steps_per_epochtrain_generator.samples // train_generator.batch_size,epochs10,validation_datavalidation_generator,validation_stepsvalidation_generator.samples // validation_generator.batch_size
)# 保存模型
model.save(lenet_binary_classification_model.h5) 3. 预测结果代码
import tensorflow as tf
from tensorflow.keras.preprocessing import image
import numpy as np
import matplotlib.pyplot as plt# 加载模型
model tf.keras.models.load_model(lenet_binary_classification_model.h5)# 预处理图像
def preprocess_image(img_path):img image.load_img(img_path, target_size(28, 28))img_array image.img_to_array(img) / 255.0img_array np.expand_dims(img_array, axis0)return img_array# 预测图像
img_path D:\Pycharm_workspace\LeNet实验_二分类\Demented\moderateDem24.jpg # 测试图像路径
img_array preprocess_image(img_path)
prediction model.predict(img_array)
predicted_class Demented if prediction[0][0] 0.5 else NonDementedprint(fThe predicted class is: {predicted_class})# 显示图像
img image.load_img(img_path, target_size(28, 28))
plt.imshow(img)
plt.title(fPredicted: {predicted_class})
plt.show()4. 预测结果
Demented结果 NonDemented结果没有。。。。。。
竟然全都没有。。。。因为预测的全部都是Demented
疯狂找原因中
猜测是像素太低使得训练的模型准确率太低
于是重新训练 5 改进训练模型
进行重新训练
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt# 定义LeNet模型
def create_lenet_model(input_shape):model Sequential([Conv2D(6, (5, 5), activationrelu, input_shapeinput_shape, paddingsame),MaxPooling2D((2, 2), strides2),Conv2D(16, (5, 5), activationrelu),MaxPooling2D((2, 2), strides2),Flatten(),Dense(120, activationrelu),Dense(84, activationrelu),Dense(1, activationsigmoid)])model.compile(optimizeradam, lossbinary_crossentropy, metrics[accuracy])return model# 数据增强和数据生成器
train_datagen ImageDataGenerator(rescale1./255, validation_split0.2)# 训练数据生成器
train_generator train_datagen.flow_from_directory(D:\Pycharm_workspace\LeNet实验_二分类\image,target_size(176, 208),batch_size32,class_modebinary,subsettraining
)# 验证数据生成器
validation_generator train_datagen.flow_from_directory(D:\Pycharm_workspace\LeNet实验_二分类\image,target_size(176, 208),batch_size32,class_modebinary,subsetvalidation
)# 创建并训练模型
input_shape (176, 208, 3)
model create_lenet_model(input_shape)
history model.fit(train_generator, epochs10, validation_datavalidation_generator)# 保存模型
model.save(dementia_classification_model.h5)# 绘制训练和验证损失
plt.plot(history.history[loss], label训练损失)
plt.plot(history.history[val_loss], label验证损失)
plt.title(训练和验证损失)
plt.xlabel(时期)
plt.ylabel(损失)
plt.legend()
plt.show()# 绘制训练和验证准确率
plt.plot(history.history[accuracy], label训练准确率)
plt.plot(history.history[val_accuracy], label验证准确率)
plt.title(训练和验证准确率)
plt.xlabel(时期)
plt.ylabel(准确率)
plt.legend()
plt.show()这里还有图形画loss与准确率但是我忘记保存了就用控制台的输出 可以看到loss值非常小而且准确率是100
6 优化后 预测结果代码
import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
import numpy as np
import matplotlib.pyplot as plt
import os# 加载模型
model load_model(dementia_classification_model.h5)# 定义类别标签
class_labels [Demented, NonDemented]# 预测函数
def predict_image(img_path):img image.load_img(img_path, target_size(176, 208))img_array image.img_to_array(img)img_array np.expand_dims(img_array, axis0)img_array / 255.0prediction model.predict(img_array)predicted_class class_labels[int(prediction[0] 0.5)]# 显示图像和预测结果plt.imshow(image.load_img(img_path))plt.title(fPredicted: {predicted_class})plt.axis(off)plt.show()# 预测并展示结果
img_path rD:\Pycharm_workspace\LeNet实验_二分类\image\NonDemented\nonDem1.jpg # 替换为你的图片路径
predict_image(img_path) 7 优化后预测结果 图片与预测结果对应上了右侧是图片链接可以看到是Dem的类型 NonDem的也是对应上了 就此训练完成 8 训练四分类模型
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt# 定义LeNet模型
def create_lenet_model(input_shape):model Sequential([Conv2D(6, (5, 5), activationrelu, input_shapeinput_shape, paddingsame),MaxPooling2D((2, 2), strides2),Conv2D(16, (5, 5), activationrelu),MaxPooling2D((2, 2), strides2),Flatten(),Dense(120, activationrelu),Dense(84, activationrelu),Dense(4, activationsoftmax)])model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])return model# 数据增强和数据生成器
train_datagen ImageDataGenerator(rescale1./255, validation_split0.2)# 训练数据生成器
train_generator train_datagen.flow_from_directory(D:\Pycharm_workspace\LeNet实验_四分类\image,target_size(176, 208),batch_size32,class_modecategorical,subsettraining
)# 验证数据生成器
validation_generator train_datagen.flow_from_directory(D:\Pycharm_workspace\LeNet实验_四分类\image,target_size(176, 208),batch_size32,class_modecategorical,subsetvalidation
)# 创建并训练模型
input_shape (176, 208, 3)
model create_lenet_model(input_shape)
history model.fit(train_generator, epochs10, validation_datavalidation_generator)# 保存模型
model.save(dementia_classification_model.h5)# 绘制训练和验证损失
plt.plot(history.history[loss], label训练损失)
plt.plot(history.history[val_loss], label验证损失)
plt.title(训练和验证损失)
plt.xlabel(时期)
plt.ylabel(损失)
plt.legend()
plt.show()# 绘制训练和验证准确率
plt.plot(history.history[accuracy], label训练准确率)
plt.plot(history.history[val_accuracy], label验证准确率)
plt.title(训练和验证准确率)
plt.xlabel(时期)
plt.ylabel(准确率)
plt.legend()
plt.show() loss值与准确率的变化图 可以看到才第四轮准确率就已经很高了 9 预测结果代码
import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
import numpy as np
import matplotlib.pyplot as plt# 加载模型
model load_model(dementia_classification_model.h5)# 定义类别标签
class_labels [MildDemented, ModerateDemented, NonDemented, VeryMildDemented]# 预测函数
def predict_image(img_path):img image.load_img(img_path, target_size(176, 208))img_array image.img_to_array(img)img_array np.expand_dims(img_array, axis0)img_array / 255.0prediction model.predict(img_array)predicted_class class_labels[np.argmax(prediction)]# 显示图像和预测结果plt.imshow(image.load_img(img_path))plt.title(fPredicted: {predicted_class})plt.axis(off)plt.show()# 预测并展示结果
img_path rD:\Pycharm_workspace\LeNet实验_四分类\image\VeryMildDemented\verymildDem0.jpg # 你的图片路径
predict_image(img_path)10 四分类结果识别
1 MildDem成功识别右侧有图片名称 2 ModerateDem 成功识别 3 NonDem成功识别 4 VeryMildDem成功识别
