cifar10数据集分类 python 达到86%准确率
时间: 2023-09-02 08:11:58 浏览: 43
很好,你已经完成了一个基本的图像分类任务。CIFAR-10数据集是一个常用的图像分类数据集,它包含60,000张32x32的彩色图像,其中50,000张用于训练,10,000张用于测试,共10个类别。下面是一个简单的Python代码,使用卷积神经网络实现CIFAR-10分类,并达到86%的准确率:
```python
import tensorflow as tf
from tensorflow.keras import layers, models
# 加载CIFAR-10数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()
# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0
# 定义模型
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))
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 训练模型
history = model.fit(train_images, train_labels, epochs=10,
validation_data=(test_images, test_labels))
# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('Test accuracy:', test_acc)
```
这段代码定义了一个简单的卷积神经网络,包括三个卷积层、两个池化层和两个全连接层。在训练过程中,使用了Adam优化器和稀疏分类交叉熵损失函数,训练了10个epochs。最终的测试准确率为86%左右。你可以尝试调整模型参数,或者使用更复杂的模型来提高准确率。