基于卷积神经网络的花卉识别示例代码

以下是基于卷积神经网络的花卉识别示例代码，使用Python语言和TensorFlow库：

import tensorflow as tf
import numpy as np
import cv2
import os

# 数据集准备
data_dir = 'flower_photos/'
categories = os.listdir(data_dir)
num_classes = len(categories)
image_size = 224

# 构建卷积神经网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(image_size, image_size, 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.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

# 编译并训练模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

batch_size = 32
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(image_size, image_size),
    batch_size=batch_size)

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(image_size, image_size),
    batch_size=batch_size)

model.fit(train_ds, validation_data=val_ds, epochs=10)

# 测试模型
test_images = []
test_labels = []
for category in categories:
    folder_path = os.path.join(data_dir, category)
    for img_name in os.listdir(folder_path):
        img_path = os.path.join(folder_path, img_name)
        img = cv2.imread(img_path)
        img = cv2.resize(img, (image_size, image_size))
        test_images.append(img)
        test_labels.append(categories.index(category))

test_images = np.array(test_images)
test_labels = np.array(test_labels)

predictions = model.predict(test_images)
predicted_labels = np.argmax(predictions, axis=1)

accuracy = np.mean(predicted_labels == test_labels)
print("Accuracy:", accuracy)

上述代码中，我们首先准备了花卉数据集，然后构建了一个卷积神经网络模型。我们使用了三个卷积层和两个全连接层，并在最后一层使用了softmax激活函数进行分类。接着，我们使用了`tf.keras.preprocessing.image_dataset_from_directory`函数来加载数据集，并使用`model.fit`函数训练模型。最后，我们使用测试集对模型进行测试，并计算了模型的准确率。

需要注意的是，上述代码仅仅是一个示例，实际的代码可能会因为数据集和任务的不同而有所差异。