基于卷积神经网络水稻细粒度分类代码

以下是一个基于卷积神经网络的水稻细粒度分类的示例代码：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np

# 加载数据集
(X_train, y_train), (X_test, y_test) = datasets.load_data()

# 数据预处理
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 构建卷积神经网络模型
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(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

# 可视化训练过程
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')

# 在测试集上进行评估
test_loss, test_acc = model.evaluate(X_test,  y_test, verbose=2)

# 进行预测
predictions = model.predict(X_test)

# 显示预测结果
for i in range(10):
    plt.imshow(X_test[i], cmap=plt.cm.binary)
    plt.xlabel(f"Actual: {y_test[i]}")
    plt.title(f"Predicted: {np.argmax(predictions[i])}")
    plt.show()

在上面的示例代码中，我们首先使用`datasets.load_data()`函数加载了水稻细粒度图像数据集并进行了数据预处理。接着，我们构建了一个卷积神经网络模型，并使用`compile()`函数编译了模型。然后，我们使用`fit()`函数进行模型训练，并使用`plot()`函数可视化了训练过程。在模型训练完成后，我们使用`evaluate()`函数在测试集上进行了评估，并使用`predict()`函数进行了预测。最后，我们使用`imshow()`函数显示了一批测试图像的分类结果。