Tensorflow2.1训练实战cifar10完整代码准确率88.6%模型ResnetSENetInception_cifar10提高准确率

106 浏览量更新于2023-03-03 评论 5 收藏 55KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Tensorflow 2.1训练训练实战实战 cifar10 完整代码完整代码准确率准确率 88.6% 模模

型型 Resnet SENet Inception

环境环境：

tensorflow 2.1

最好用GPU

模型模型：

Resnet：把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。

SENet：学习每一层的通道之间的关系

Inception: 每一层都用不同的核（1×1，3×3，5×5）来学习.防止因为过小的核或者过大的核而学不到图片的特征。

用Resnet ，SENet， Inceptiont网络训练Cifar10 或者Cifar 100.

训练数据：Cifar10 或者 Cifar 100

训练集上准确率：97.11%左右

验证集上准确率：90.22%左右

测试集上准确率：88.6%

训练时间在GPU上：一小时多

权重大小：21.8 MB

训练的历程：普通网络(65%左右)-> 数据增强(70%左右)->模型增强(进入Resnet 和SEnet) 80%左右 -> 模型的结构做了调整模型的结构做了调整

（（86% ））- > 加加inception 模型后（模型后（88.6%））

训练集与验证集上的测试结果：

347/351 [============================>.] - ETA: 0s - loss: 0.0827 - sparse_categorical_accuracy: 0.9711

348/351 [============================>.] - ETA: 0s - loss: 0.0828 - sparse_categorical_accuracy: 0.9710

349/351 [============================>.] - ETA: 0s - loss: 0.0827 - sparse_categorical_accuracy: 0.9710

350/351 [============================>.] - ETA: 0s - loss: 0.0826 - sparse_categorical_accuracy: 0.9711

351/351 [==============================] - 20s 57ms/step - loss: 0.0826 - sparse_categorical_accuracy: 0.9711 - val_loss: 0.3952 -

val_sparse_categorical_accuracy: 0.9022

测试集上的结果

79/79 - 4s - loss: 0.4005 - sparse_categorical_accuracy: 0.8842

[0.40052215495630156, 0.8842] time 4.130274534225464

下面是完整的代码，运行前建一下这个目录weights4_5，不想写代码自动化建了。

如果要训练Cifar100，直接把cifar10 改成cifar100就可以了。不需要改其它地方

import tensorflow as tf

import tensorflow.keras as keras

import tensorflow.keras.layers as layers

import image_augument.image_augment as image_augment

import time as time

import tensorflow.keras.preprocessing.image as image

import matplotlib.pyplot as plt

import os

def senet_block(inputs, ratio):

shape = inputs.shape

channel_out = shape[-1] # print(shape)

# (2, 28, 28, 32) , [1,28,28,1], [1,28,28,1] squeeze = layers.GlobalAveragePooling2D()(inputs)

# [2, 1, 1, 32] # print(squeeze.shape)

# 第二层，全连接层

# [2,32] # print(squeeze.shape)

shape_result = layers.Flatten()(squeeze)

# print(shape_result.shape)

# [32,2] shape_result = layers.Dense(int(channel_out / ratio), activation='relu')(shape_result)

# shape_result = layers.BatchNormalization()(shape_result)

# [2,32] shape_result = layers.Dense(channel_out, activation='sigmoid')(shape_result)

# shape_result = layers.BatchNormalization()(shape_result)

# 第四层，点乘

# print('heres2')

excitation_output = tf.reshape(shape_result, [-1, 1, 1, channel_out])

# print(excitation_output.shape)

h_output = excitation_output * inputs

return h_output

def inception_block(input, input_filter, output_filter):

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余3页未读，立即下载

weixin_38693586

粉丝: 7
资源: 923

会员权益专享

Tensorflow 2.1训练实战 cifar10 完整代码准确率 88.6% 模型 Resnet SENet Incep...

评论0

会员权益专享

最新资源

Tensorflow 2.1训练 实战 cifar10 完整代码 准确率 88.6% 模型 Resnet SENet Incep...

评论0

cifar10_inception10.py

现流行的AlexNet,VGGNet,GoogleNet,SENet,ResNet等11篇经典卷积神经网络

cifar:使用计算机视觉模型训练计算机视觉模型，并基于CIFAR-10数据集进行迁移学习

对于分类模型的评估结果precision 0.8861501058086642 recall 0.8994595635936418

展示所有yolo系列网络在coco数据集上检测速度和精度

error: src refspec develop does not match any error: failed to push some refs to '192.168.88.6:yaolong.qin/autotest.git'

在C++中创建一个学生类，学生类中包括学生的姓名，学号，成绩，使用list容器存放至少10个学生信息，调用list容器的sort函数，实现将学生的姓名首字母按字母表从小到大的顺序进行排序，并输出排序后的结果

用MATLAB处理成绩表，处理输出各门课程和各个班级的成绩表程序

c语言fwrite 结构体数组写入文件 fread下读取文件到结构体数组

创建一个DataFrame结构，共S行4列1，内容为随机数值，大小为小于等于100大于等于0，小数点后保留一位，。索引为1，2，3，4，5，列标为“Math”， "English" "Computer", "Chemical".

荧光成像细胞计数仪器的参考文献综述

编写一个函数，求n个学生的平均成绩，并加以测试

你用java写个学生成绩管理系统我看看

编写一个脚本程序，功能为：调用摄氏温度到华氏温度的转换函数生成一个摄氏温度和华氏温度的对照表，其中摄氏温度的范围是从-100℃到100℃并以1℃为步长

resnet 基于迁移学习对 CIFAR10 数据集的分类

会员权益专享

最新资源

Tensorflow 2.1训练实战 cifar10 完整代码准确率 88.6% 模型 Resnet SENet Incep...