提高CIFAR-10图像识别准确度的方法

2023-06-28 理论教育版权反馈

【摘要】：CIFAR-10是由Alex Krizhevsky、Vinod Nair与Geoffrey Hinton收集的一个用于图像识别的数据集，共有10种分类：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。所以CIFAR-10图像识别的难度比MNIST数据集高很多。CIFAR-10数据集中每个分类有6000个图像，共有60000个32×32的彩色图像，有50000个训练图像和10000个测试图像。from keras.utils import np_utilsfrom keras.datasets import cifarl0import matplotlib.pyplot as pltfrom keras.models import Sequentialfrom keras.layers import Dropout，Dense，Flatten，Conv2D，MaxPooling2Dimport pandas as pd②读取CIFAR-10数据。

CIFAR-10是由Alex Krizhevsky、Vinod Nair与Geoffrey Hinton收集的一个用于图像识别的数据集，共有10种分类：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。CIFAR-10数据集与之前的MNIST数据集相比，它的色彩、颜色噪声点比较多，同一类（如卡车）大小不一、角度不同、颜色不同。所以CIFAR-10图像识别的难度比MNIST数据集高很多。

CIFAR-10数据集中每个分类有6000个图像，共有60000个32×32的彩色图像，有50000个训练图像和10000个测试图像。

（1）数据预处理

①导入所需模块。

from keras.utils import np_utils

from keras.datasets import cifarl0

import matplotlib.pyplot as plt

from keras.models import Sequential

from keras.layers import Dropout，Dense，Flatten，Conv2D，MaxPooling2D

import pandas as pd

②读取CIFAR-10数据。

（x_train，y_train），（x_test，y_test）=cifarl0.load_data（）

③将feature转换为思维矩阵；将feature以reshape转换为6000×28×28×1的四维矩阵。

x_train4D=x_train.reshape（x_train.shape［0］，28，28，

1）.astype（'float32'）

x_test4D=x_test.reshape（x_test.shape［0］，28，28，

1）.astype（'float32'）

④将feature标准化，标准化可以提高模型预测的准确度。

x_train4D_normalize=x_train4D/255

x_test4D_normalize=x_test4D/255

⑤label以one-hot endoding进行转换。

y_trainOneHot=np_utils.to_categorical（y_train）

y_testOneHot=np_utils.to_categorical（y_test）

（2）建立模型

①建立Sequential模型。

model=Sequential（）

②建立卷积层1。

model.add（Conv2D（filters=16，kernel_size=（5，5），padding='same'，input_shape=（28，28，1），activation='relu'））

③建立池化层1。

model.add（MaxPooling2D（pool_size=（2，2）））

④建立卷积层2。

model.add（Conv2D（filters=36，kernel_size=（5，5），padding='same'，activation='relu'））

⑤建立池化层2。

model.add（MaxPooling2D（pool_size=（2，2）））

⑥建立平坦层。

model.add（Flatten（））

⑦建立隐藏层。

model.add（Dense（units=128，activation='relu'））

⑧建立输出层。

model.add（Dense（units=10，activation='softmax'））

（3）进行训练

①定义训练方式。

model.compile（loss='categorical_crossentropy'，optimizer='adam'，metrics=［'accuracy'］）

②开始训练。

train_history=model.fit（x=x_train4D_normalize，y=y_trainOneHot，validation_split=0.2，epochs=3，batch_size=300，verbose=2）

（4）以测试数据评估模型准确率

scores=model.evaluate（x_test4D_normalize，y_testOneHot）

print（'accuracy='，scores［1］）

（5）进行预测

prediction=model.predict_classes（x_test4D_normalize）

预测结果会放在prediction中，可以与y_test进行比对，查看预测效果。

提高CIFAR-10图像识别准确度的方法

相关推荐