深度学习实现天气图像分类识别代码
时间: 2023-06-19 07:10:48 浏览: 77
以下是一个简单的天气图像分类识别的深度学习代码示例,使用了Keras框架和CNN模型:
```python
import keras
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()
model.add(Conv2D(32, (3, 3), input_shape=(64, 64, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# 图像数据生成器
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
# 加载训练集和测试集
train_set = train_datagen.flow_from_directory('train', target_size=(64, 64), batch_size=32, class_mode='binary')
test_set = test_datagen.flow_from_directory('test', target_size=(64, 64), batch_size=32, class_mode='binary')
# 训练模型
model.fit_generator(train_set, steps_per_epoch=8000, epochs=25, validation_data=test_set, validation_steps=2000)
# 保存模型
model.save('weather_classifier.h5')
```
在上面的代码示例中,我们使用了一个包含3个卷积层和3个池化层的CNN模型。我们还使用了ImageDataGenerator来生成训练和测试集的图像数据,并使用fit_generator方法来训练模型。最后,我们将训练好的模型保存为weather_classifier.h5文件。