使用卷积神经网络(Convolutional Neural Network,CNN)来对花进行分类识别。以下是一个简单的CNN模型的示例代码,使用Keras框架
时间: 2024-03-23 16:42:54 浏览: 17
好的,以下是一个简单的CNN模型的示例代码,使用Keras框架来对花进行分类识别:
```python
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from keras.preprocessing.image import ImageDataGenerator
# 创建CNN模型
model = Sequential()
# 添加卷积层和池化层
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加全连接层和Dropout层
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(5, activation='softmax'))
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 数据增强
train_datagen = ImageDataGenerator(rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
# 加载数据集
train_set = train_datagen.flow_from_directory('flowers/train',
target_size=(64, 64),
batch_size=32,
class_mode='categorical')
test_set = test_datagen.flow_from_directory('flowers/test',
target_size=(64, 64),
batch_size=32,
class_mode='categorical')
# 训练模型
model.fit_generator(train_set,
steps_per_epoch=8000,
epochs=25,
validation_data=test_set,
validation_steps=2000)
```
这个模型包括两个卷积层、两个池化层、两个全连接层和一个Dropout层。我们使用ImageDataGenerator来进行数据增强,以避免过拟合。然后我们使用flow_from_directory()方法从文件夹中加载数据集,并使用fit_generator()方法来训练模型。