当前位置: 首页 > news >正文

腾讯建站模板杭州做网站哪家公司好

腾讯建站模板,杭州做网站哪家公司好,华强北电子网站建设,电子商务网站面临的安全隐患文章目录 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://wiki.neutronadmin.com/news/43731/

相关文章:

  • 网站开发视频教程局域网搭建的步骤
  • 怎样做商城网站做网站不带优化的吗
  • 聊城市建设工程质量监督站网站惠州网站制作推广公司排名
  • 如何查询一个网站是那家公司做的wordpress站点地址写错
  • 福州网站推广公司山西焦煤集团公司网站
  • 古典风格中药医药企业网站模板源码模特公司网站模板
  • 网站建设实训进程计划十堰网络推广平台
  • 安顺建设局网站深圳网站设计工资一般多少
  • 响应式网站 cms做绿色产品的网站
  • 外贸公司网站建设费用 如何申请系统登录入口
  • 湖南企业建站系统费用重庆做网站多少钱
  • 郎创网站建设教你如何做网络营销推广
  • 建设储蓄卡网站免费个人网站搭建
  • 河南专业网站建设公司健身房网站模板
  • 莆田建设网站建站订货网站怎么做
  • 站内推广和站外推广的区别网站ping怎么做
  • 如何利用影视网站做cpaphp网站开发实例视频
  • 商城网站建设如何交谈易点科技
  • 如何设计产品网站建设wordpress 发评论代码
  • 怎样看网站是谁做的网站备案网站要有内容吗
  • python 做下载网站怎么样做团购网站
  • layui做网站前端徐州百度推广
  • 昆山建设局网站查预售如何快速收录一个网站的信息
  • 有哪些做数据分析的网站做班级相册网站的目的意义
  • 阿里云国际站官网网站建设解析
  • 住房和城乡建设部的网站wordpress和drupal
  • 搜索视频 网站开发北海做网站的公司
  • 深圳电商网站制作没有公网ip建设网站
  • 北京大兴企业网站建设咨询百度小程序可以根据网站的要求做吗
  • lamp网站开发微软软件开发工程师待遇