基于tensorflow花卉识别代码

以下是使用 TensorFlow 实现花卉识别的代码示例：

import tensorflow as tf
import numpy as np
import os

# 定义花卉分类标签
flower_labels = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
num_classes = len(flower_labels)

# 定义模型超参数
learning_rate = 0.001
batch_size = 64
num_epochs = 50

# 加载花卉数据集
train_data_dir = '/path/to/training/dataset'
test_data_dir = '/path/to/test/dataset'
train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
    rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
    train_data_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical')
test_generator = test_datagen.flow_from_directory(
    test_data_dir, target_size=(224, 224), batch_size=batch_size, class_mode='categorical')

# 定义模型结构
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(lr=learning_rate),
              loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(train_generator, epochs=num_epochs, validation_data=test_generator)

# 评估模型
test_loss, test_acc = model.evaluate(test_generator)
print('Test accuracy:', test_acc)

# 保存模型
model.save('flower_classification_model.h5')

在上述代码中，我们首先定义了花卉分类标签和模型超参数。然后，使用 TensorFlow 内置的 `ImageDataGenerator` 类加载花卉数据集，并将其分为训练集和测试集。接着，我们定义了卷积神经网络模型的结构，并使用 `compile()` 方法编译模型。最后，使用 `fit()` 方法训练模型，并评估模型的性能。最后，我们将训练好的模型保存到磁盘上。