svhn 完整号码 train.tar.gz，test.tar.gz，extra.tar.gz怎么用在tensorflow

1. 下载数据集

首先需要下载SVHN数据集，包括train.tar.gz、test.tar.gz、extra.tar.gz。可以从以下网址下载：

http://ufldl.stanford.edu/housenumbers/

2. 解压数据集

在TensorFlow环境下，可以使用以下代码解压数据集：

import tarfile
# 解压train.tar.gz
tar = tarfile.open("train.tar.gz")
tar.extractall()
tar.close()
# 解压test.tar.gz
tar = tarfile.open("test.tar.gz")
tar.extractall()
tar.close()
# 解压extra.tar.gz
tar = tarfile.open("extra.tar.gz")
tar.extractall()
tar.close()

3. 加载数据集

在TensorFlow环境下，可以使用以下代码加载数据集：

import scipy.io as sio
import numpy as np

def load_data():
# 加载训练数据
train_data = sio.loadmat('train_32x32.mat')
X_train = train_data['X']
Y_train = train_data['y']
# 将标签数据从1到10转换为0到9，表示数字0到9
Y_train[Y_train == 10] = 0
# 加载测试数据
test_data = sio.loadmat('test_32x32.mat')
X_test = test_data['X']
Y_test = test_data['y']
# 将标签数据从1到10转换为0到9，表示数字0到9
Y_test[Y_test == 10] = 0
# 加载额外数据
extra_data = sio.loadmat('extra_32x32.mat')
X_extra = extra_data['X']
Y_extra = extra_data['y']
# 将标签数据从1到10转换为0到9，表示数字0到9
Y_extra[Y_extra == 10] = 0
# 将额外数据和训练数据合并
X_train = np.concatenate((X_train, X_extra), axis=3)
Y_train = np.concatenate((Y_train, Y_extra), axis=0)
# 将数据集转换为float类型
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
# 将像素值归一化到[0,1]区间
X_train /= 255
X_test /= 255
# 将图像数据转换为通道数在最后的格式
X_train = np.transpose(X_train, (3, 0, 1, 2))
X_test = np.transpose(X_test, (3, 0, 1, 2))
# 将标签数据转换为one-hot编码格式
Y_train = np.eye(10)[Y_train.reshape(-1)]
Y_test = np.eye(10)[Y_test.reshape(-1)]
return X_train, Y_train, X_test, Y_test

X_train, Y_train, X_test, Y_test = load_data()

4. 构建模型

在TensorFlow环境下，可以使用以下代码构建模型：

import tensorflow as tf
from tensorflow.keras import layers

def build_model():
model = tf.keras.Sequential([
layers.Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(32, 32, 3)),
layers.MaxPooling2D(pool_size=(2, 2)),
layers.Conv2D(64, (3, 3), activation='relu', padding='same'),
layers.MaxPooling2D(pool_size=(2, 2)),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
return model

model = build_model()

5. 训练模型

在TensorFlow环境下，可以使用以下代码训练模型：

history = model.fit(X_train, Y_train, validation_data=(X_test, Y_test), epochs=10, batch_size=128)

6. 评估模型

在TensorFlow环境下，可以使用以下代码评估模型：

test_loss, test_acc = model.evaluate(X_test, Y_test, verbose=2)
print("Test accuracy:", test_acc)

7. 预测新数据

在TensorFlow环境下，可以使用以下代码预测新数据：

import matplotlib.pyplot as plt

def predict(model, X):
y_prob = model.predict(X)
y_pred = np.argmax(y_prob, axis=1)
return y_pred

# 预测测试数据中的第一张图片
X = X_test[:1]
y_true = np.argmax(Y_test[:1], axis=1)
y_pred = predict(model, X)
plt.imshow(X[0])
plt.title(f"True: {y_true[0]}, Predict: {y_pred[0]}")
plt.show()