基于tensorflow的交通标志识别代码

以下是一个基于 TensorFlow 的交通标志识别代码示例，使用了预训练的 ResNet50 模型进行迁移学习：

import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.layers import Dense, Flatten, Dropout

# 加载预训练模型
base_model = ResNet50(include_top=False, weights='imagenet', input_shape=(224, 224, 3))
for layer in base_model.layers:
    layer.trainable = False

# 构建模型
model = tf.keras.Sequential([
    base_model,
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(256, activation='relu'),
    Dropout(0.3),
    Dense(128, activation='relu'),
    Dropout(0.2),
    Dense(43, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 加载数据集
train_datagen = ImageDataGenerator(rescale=1./255,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
training_set = train_datagen.flow_from_directory('path/to/training_set',
                                                 target_size=(224, 224),
                                                 batch_size=32,
                                                 class_mode='categorical')
test_set = test_datagen.flow_from_directory('path/to/test_set',
                                             target_size=(224, 224),
                                             batch_size=32,
                                             class_mode='categorical')

# 训练模型
model.fit(training_set,
          epochs=10,
          validation_data=test_set)

在上面的代码中，我们加载了预训练的 ResNet50 模型，并将其冻结以避免过拟合。然后我们构建了自己的模型，添加了全连接层和 Dropout 正则化层。我们使用了 Adam 优化器和交叉熵损失函数来编译模型并训练它。

在加载数据集时，我们使用了 Keras 的 ImageDataGenerator 类来进行数据增强，包括缩放、旋转、翻转等。最后，我们使用 flow_from_directory() 方法从文件夹中加载训练和测试数据集，将数据集归一化到 0 到 1 的范围内，并使用 fit() 方法来训练模型。