基于tensorflow的最大均值差异 水果图像分类 完整代码 自己搭建模型 且绘制损失准确率曲线 并实现数据散点图可视化以及混淆矩阵

很高兴为您提供帮助。以下是基于TensorFlow的最大均值差异水果图像分类的完整代码，包括模型搭建、训练和可视化。

首先，我们需要下载水果图像数据集，这里我选择了Fruits 360数据集（https://www.kaggle.com/moltean/fruits）。

接下来，我们需要导入所需的库：

import os
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

然后，我们定义一些超参数：

batch_size = 32
img_height = 100
img_width = 100
epochs = 20

接着，我们使用tf.keras.preprocessing.image.ImageDataGenerator来加载数据并进行数据增强：

train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
    rescale=1./255,           # 归一化
    rotation_range=30,        # 随机旋转
    width_shift_range=0.1,    # 随机水平平移
    height_shift_range=0.1,   # 随机竖直平移
    zoom_range=0.1,           # 随机缩放
    horizontal_flip=True,     # 随机水平翻转
    validation_split=0.2      # 验证集比例
)

train_generator = train_datagen.flow_from_directory(
    directory='fruits-360/Training',
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical',
    subset='training'
)

validation_generator = train_datagen.flow_from_directory(
    directory='fruits-360/Training',
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical',
    subset='validation'
)

接下来，我们使用Keras构建模型：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(img_height, img_width, 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(128, activation='relu'),
    tf.keras.layers.Dense(131, activation='softmax')
])

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

然后，我们开始训练模型：

history = model.fit(
    train_generator,
    epochs=epochs,
    validation_data=validation_generator
)

接下来，我们绘制损失准确率曲线：

# 绘制训练和验证准确率
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(8, 8))
plt.subplot(2, 1, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

# 绘制训练和验证损失
plt.subplot(2, 1, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

最后，我们绘制数据散点图可视化以及混淆矩阵：

# 数据散点图可视化
x_test = []
y_test = []

for i in os.listdir('fruits-360/Test'):
    for j in os.listdir('fruits-360/Test/' + i):
        img = tf.keras.preprocessing.image.load_img(
            'fruits-360/Test/' + i + '/' + j, target_size=(img_height, img_width)
        )
        img = tf.keras.preprocessing.image.img_to_array(img)
        img = img / 255.
        x_test.append(img)
        y_test.append(i)

x_test = np.array(x_test)
y_test = np.array(y_test)

y_pred = model.predict(x_test)
y_pred = np.argmax(y_pred, axis=1)

plt.figure(figsize=(10, 10))
plt.scatter(np.arange(len(y_test)), y_test, c=y_pred)
plt.colorbar()
plt.show()

# 混淆矩阵
cm = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(10, 10))
plt.imshow(cm, cmap='binary')
plt.show()

至此，我们完成了基于TensorFlow的最大均值差异水果图像分类的完整代码，包括模型搭建、训练和可视化。