【Tensorflow2.5—入门实践】综合篇——物体识别、花朵分类、猫狗识别、风格迁移、文本分类

前言

本文综合整理神经网络的入门实践&＃xff0c;包括物体识别、花朵分类、猫狗识别、风格迁移、文本分类&＃xff1b;参考了官网和许多高校的课程、论文等。文章的结构是一步一步详细讲解&＃xff0c;并动手实践&＃xff1b;大家要不看看&＃xff1f; ( •̀ ω •́ )y

开发环境

Tensorflow2、Python3

一、物体识别

简介

本文介绍卷积神经网络的入门案例&＃xff0c;通过搭建和训练一个模型&＃xff0c;来对10种常见的物体进行识别分类&＃xff1b;使用到CIFAR10数据集&＃xff0c;它包含10 类&＃xff0c;即&＃xff1a;“飞机”&＃xff0c;“汽车”&＃xff0c;“鸟”&＃xff0c;“猫”&＃xff0c;“鹿”&＃xff0c; “狗”&＃xff0c;“青蛙”&＃xff0c;“马”&＃xff0c;“船”&＃xff0c;“卡车” &＃xff1b;共 60000 张彩色图片&＃xff1b;通过搭建和训练卷积神经网络模型&＃xff0c;对图像进行分类&＃xff0c;能识别出图像是“汽车”&＃xff0c;或“鸟”&＃xff0c;还是其它。

思路流程

1. 导入 CIFAR10 数据集
2. 探索集数据&＃xff0c;并进行数据预处理
3. 构建模型&＃xff08;搭建神经网络结构、编译模型&＃xff09;
4. 训练模型&＃xff08;把数据输入模型、评估准确性、作出预测、验证预测&＃xff09;  
5. 使用训练好的模型

数据集效果图

网络结构

详细介绍&＃xff1a;手把手搭建一个【卷积神经网络】

二、花朵分类

简介

本文介绍卷积神经网络的入门案例&＃xff0c;通过搭建和训练一个模型&＃xff0c;来对几种常见的花朵进行识别分类&＃xff1b;

使用到TF的花朵数据集&＃xff0c;它包含5类&＃xff0c;即&＃xff1a;“雏菊”&＃xff0c;“蒲公英”&＃xff0c;“玫瑰”&＃xff0c;“向日葵”&＃xff0c;“郁金香”&＃xff1b;共 3670 张彩色图片&＃xff1b;通过搭建和训练卷积神经网络模型&＃xff0c;对图像进行分类&＃xff0c;能识别出图像是“蒲公英”&＃xff0c;或“玫瑰”&＃xff0c;还是其它。

意义

本篇文章主要的意义是带大家熟悉卷积神经网络的开发流程&＃xff0c;包括数据集处理、搭建模型、训练模型、使用模型等&＃xff1b;更重要的是解在训练模型时遇到“过拟合”&＃xff0c;如何解决这个问题&＃xff0c;从而得到“泛化”更好的模型。

思路流程

1. 导入数据集
2. 探索集数据&＃xff0c;并进行数据预处理
3. 构建模型&＃xff08;搭建神经网络结构、编译模型&＃xff09;
4. 训练模型&＃xff08;把数据输入模型、评估准确性、作出预测、验证预测&＃xff09;  
5. 使用训练好的模型
6. 优化模型、重新构建模型、训练模型、使用模型

模型效果

在训练和验证集上查看损失值和准确性&＃xff1a;

详细介绍&＃xff1a;“花朵分类“ 手把手搭建【卷积神经网络】

三、猫狗识别

简介

本章带大家熟悉“迁移学习”的开发流程&＃xff0c;介绍如何使用预先训练好的神经网络&＃xff0c;结合实际的功能需求&＃xff0c;来实现一些图像任务&＃xff1b;比如&＃xff1a;实现对猫和狗的图像进行分类。

预先训练好的神经网络&＃xff0c;通常称为“预训练模型”&＃xff0c;它在大型数据集上进行训练&＃xff0c;取得业界认可的效果&＃xff0c;开源给广大开发者使用的模型。本文主要介绍在keras中的关于图像任务的开源模型。

迁移学习方式

我们可以直接使用预训练模型&＃xff0c;毕竟效果挺好的&＃xff1b;提供输入信息&＃xff0c;经过模型处理&＃xff0c;直接输出结果。

也可以使用预训练模型的一部分网络结构&＃xff0c;使用其特定的功能&＃xff08;比如&＃xff1a;特征提取&＃xff09;&＃xff0c;然后根据给定任务自定义搭建一部分网络结构&＃xff08;比如&＃xff1a;实现分类&＃xff09;&＃xff0c;最后组合起来就形成一个完整的神经网络啦。本文主要将这种方式。

思路流程

1. 导入数据集
2. 探索集数据&＃xff0c;并进行数据预处理
3. 构建模型&＃xff08;搭建神经网络结构、编译模型&＃xff09;预训练模型 &＃43; 自定义模型
4. 训练模型&＃xff08;把数据输入模型、评估准确性、作出预测、验证预测&＃xff09;  
5. 使用训练好的模型

模型效果

详细介绍&＃xff1a;迁移学习之快速搭建【卷积神经网络】

四、风格迁移

简介

风格迁移&＃xff0c;基于A图像内容&＃xff0c;参考B图像的风格&＃xff08;名画&＃xff0c;像毕加索或梵高一样绘画&＃xff09;&＃xff0c;创造出一幅新图像。

原理

风格迁移是基于生成对抗网络实现的&＃xff0c;是一种优化技术&＃xff0c;用于将两个图像&＃xff0c;A图像内容和B图像风格&＃xff0c;混合再一起&＃xff0c;是输出的图像看起来像A图像&＃xff0c;但是也参考了B图像的风格。

通过优化输出图像&＃xff0c;以匹配A图像的内容统计数和B图像的风格统计数据。这些统计数据可以使用卷积网络从图像中提取。

项目实践

本文基于TF-Hub开源项目进行开发&＃xff0c;60多行代码快速实现神经网络的风格迁移&＃xff0c;为方便大家使用&＃xff0c;已经整理相关代码和模型到Github中&＃xff0c;直接下载即可使用。

模型效果

详细介绍&＃xff1a;神经网络之风格迁移【TF-Hub开源项目】

五、文本分类

简介

本文介绍神经网络的案例&＃xff0c;通过搭建和训练一个模型&＃xff0c;来对电影评论进行“文本分类”&＃xff1b;将影评分为积极或消极两类&＃xff1b;是一个二分类问题。

使用到网络电影数据库的 IMDB 数据集&＃xff0c;包含 50,000 条影评文本&＃xff0c;这是二元情绪分类的数据集。

意义

本篇文章主要的意义是带大家熟悉神经网络的开发流程&＃xff0c;包括数据集处理、搭建模型、训练模型、使用模型等&＃xff1b;更重要的认识“迁移学习”的开发流程&＃xff0c;使用业界认可的网络模型作为“预训练模型”&＃xff0c;提高开发效率。

思路流程

1. 导入数据集
2. 探索集数据&＃xff0c;并进行数据预处理
3. 构建模型&＃xff08;搭建神经网络、编译模型&＃xff09;
4. 训练模型&＃xff08;把数据输入模型、评估准确性、作出预测、验证预测&＃xff09;  
5. 使用训练好的模型
6. 优化模型、重新构建模型、训练模型、使用模型

设计模型

模型结构

详细介绍&＃xff1a;【迁移学习】快速实现“文本分类“

小彩蛋

【神经网络】综合篇——人工神经网络、卷积神经网络、循环神经网络、生成对抗网络

大家加油呀~~ ( •̀ ω •́ )✧