Tensorflow 2.1训练实战 cifar10 完整代码准确率 88.6% 模型 Resnet SENet Inception - CSDN文库

91 浏览量更新于2023-03-16 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_38674883

粉丝: 3
资源: 943

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈