CNN做分类预测python
时间: 2023-09-23 10:11:36 浏览: 46
CNN(卷积神经网络)是用于图像识别和分类的一种深度学习模型。在Python中,可以使用Keras或TensorFlow等库来构建CNN模型进行图像分类预测。以下是一个简单的例子:
首先,我们需要导入所需的库和数据集:
```python
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0
```
这里使用了CIFAR-10数据集,其中包含10个类别的60000张32x32彩色图像,每个类别有6000张图像。我们将数据集分为训练集和测试集,并将像素值缩放到0到1之间。
接下来,我们定义CNN模型的架构:
```python
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
```
这个模型由三个卷积层、两个池化层和两个全连接层组成。我们使用ReLU激活函数来增加模型的非线性性,并使用softmax激活函数来输出每个类别的概率分布。
接下来,我们编译模型并进行训练:
```python
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10,
validation_data=(test_images, test_labels))
```
在训练过程中,我们使用adam优化器、交叉熵损失函数和准确率度量。我们训练模型10个epochs,并在测试集上进行验证。
最后,我们可以使用训练好的模型进行预测:
```python
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
img = test_images[i]
img = tf.expand_dims(img, 0)
predictions = model.predict(img)
class_idx = tf.argmax(predictions, axis=1)
class_name = class_names[class_idx[0]]
plt.imshow(test_images[i], cmap=plt.cm.binary)
plt.xlabel(class_name)
plt.show()
```
这个例子展示了如何使用CNN模型对图像进行分类预测,并可视化预测结果。