keras实战入门之CIFAR10图像识别

也是很经典的例子&＃xff0c;训练的话最好有GPU&＃xff0c;不然很慢&＃xff0c;我这里放个训练过的模型吧&＃xff0c;虽然准确率不是很高&＃xff0c;至少可以拿来跑跑玩&＃xff0c;不必等CPU训练好久。
模型&＃xff1a;
提取码&＃xff1a;77ul

import numpy as np
from keras.utils import np_utils
#导入数据集
from keras.datasets import cifar10
import matplotlib.pyplot as plt#设置显示中文字体
font &＃61; {&＃39;family&＃39; : &＃39;SimHei&＃39;,
# &＃39;weight&＃39; : &＃39;bold&＃39;,&＃39;size&＃39; : &＃39;15&＃39;}
plt.rc(&＃39;font&＃39;, **font) # 步骤一&＃xff08;设置字体的更多属性&＃xff09;
plt.rc(&＃39;axes&＃39;, unicode_minus&＃61;False) # 步骤二&＃xff08;解决坐标轴负数的负号显示问题&＃xff09;


Using TensorFlow backend.


np.random.seed(11)


(x_train_image,y_train_label),(x_test_image,y_test_label)&＃61;cifar10.load_data()


print(&＃39;train data&＃61;&＃39;,len(x_train_image))
print(&＃39;test data&＃61;&＃39;,len(x_test_image))


train data&＃61; 50000
test data&＃61; 10000


print(&＃39;y_train_label&＃39;,x_train_image.shape)
print(&＃39;y_train_label&＃39;,y_train_label.shape)


y_train_label (50000, 32, 32, 3)
y_train_label (50000, 1)


print(&＃39;x_test_image:&＃39;,x_test_image.shape)
print(&＃39;y_test_label:&＃39;,y_test_label.shape)


x_test_image: (10000, 32, 32, 3)
y_test_label: (10000, 1)


label_dict&＃61;{0:&＃39;飞机&＃39;,1:&＃39;汽车&＃39;,2:&＃39;鸟&＃39;,3:&＃39;猫&＃39;,4:&＃39;鹿&＃39;,5:"狗",6:&＃39;青蛙&＃39;,7:&＃39;马&＃39;,8:&＃39;船&＃39;,9:&＃39;卡车&＃39;}
#显示图片和标签
def show_images_labels_prediction(images,labels,prediction,idx,num&＃61;10):flig&＃61;plt.figure(figsize&＃61;(12,14))if num>25:num&＃61;25for i in range(0,num):ax&＃61;plt.subplot(5,5,1&＃43;i)ax.imshow(images[idx],cmap&＃61;&＃39;binary&＃39;)title&＃61;&＃39;标签&＃xff1a;&＃39;&＃43;str(label_dict[labels[i][0]])if len(prediction)>0:title&＃43;&＃61;&＃39;,预测&＃xff1a;&＃39;&＃43;label_dict(prediction[i])ax.set_title(title,fontsize&＃61;10)ax.set_xticks([])ax.set_yticks([])idx&＃43;&＃61;1plt.show()


show_images_labels_prediction(x_train_image,y_train_label,[],1)


x_train_image[0][0][0]


array([59, 62, 63], dtype&＃61;uint8)


x_train_normalize&＃61;x_train_image/255
x_test_normalize&＃61;x_test_image/255
x_train_normalize[0][0][0]


array([0.23137255, 0.24313725, 0.24705882])


y_train_oneHot&＃61;np_utils.to_categorical(y_train_label)
y_test_oneHot&＃61;np_utils.to_categorical(y_test_label)


y_train_oneHot[:5]


array([[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.],[0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.]])


from keras import Sequential
from keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D,Activation,ZeroPadding2D


model&＃61;Sequential()


model.add(Conv2D(filters&＃61;32,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,input_shape&＃61;(32,32,3),activation&＃61;&＃39;relu&＃39;))


WARNING:tensorflow:From F:\Anaconda3\lib\site-packages\tensorflow\python\framework\op_def_library.py:263: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Colocations handled automatically by placer.


model.add(Dropout(0.3))
model.add(Conv2D(filters&＃61;32,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,activation&＃61;&＃39;relu&＃39;))


WARNING:tensorflow:From F:\Anaconda3\lib\site-packages\keras\backend\tensorflow_backend.py:3138: calling dropout (from tensorflow.python.ops.nn_ops) with keep_prob is deprecated and will be removed in a future version.
Instructions for updating:
Please use &＃96;rate&＃96; instead of &＃96;keep_prob&＃96;. Rate should be set to &＃96;rate &＃61; 1 - keep_prob&＃96;.


model.add(MaxPool2D(pool_size&＃61;(2,2)))


model.add(Conv2D(filters&＃61;64,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,activation&＃61;&＃39;relu&＃39;))


model.add(Dropout(0.3))
model.add(Conv2D(filters&＃61;64,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,activation&＃61;&＃39;relu&＃39;))


model.add(MaxPool2D(pool_size&＃61;(2,2)))


model.add(Conv2D(filters&＃61;128,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,activation&＃61;&＃39;relu&＃39;))
model.add(Dropout(0.3))
model.add(Conv2D(filters&＃61;128,kernel_size&＃61;(3,3),padding&＃61;&＃39;same&＃39;,activation&＃61;&＃39;relu&＃39;))
model.add(MaxPool2D(pool_size&＃61;(2,2)))


model.add(Flatten())
model.add(Dropout(0.3))


model.add(Dense(units&＃61;2500,activation&＃61;&＃39;relu&＃39;))
model.add(Dropout(0.3))
model.add(Dense(units&＃61;1500,activation&＃61;&＃39;relu&＃39;))
model.add(Dropout(0.3))
model.add(Dense(10,activation&＃61;&＃39;softmax&＃39;))


model.summary()


_________________________________________________________________
Layer (type) Output Shape Param #
&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;
conv2d_1 (Conv2D) (None, 32, 32, 32) 896
_________________________________________________________________
dropout_1 (Dropout) (None, 32, 32, 32) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 32, 32, 32) 9248
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 16, 16, 32) 0
_________________________________________________________________
conv2d_3 (Conv2D) (None, 16, 16, 64) 18496
_________________________________________________________________
dropout_2 (Dropout) (None, 16, 16, 64) 0
_________________________________________________________________
conv2d_4 (Conv2D) (None, 16, 16, 64) 36928
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 8, 8, 64) 0
_________________________________________________________________
conv2d_5 (Conv2D) (None, 8, 8, 128) 73856
_________________________________________________________________
dropout_3 (Dropout) (None, 8, 8, 128) 0
_________________________________________________________________
conv2d_6 (Conv2D) (None, 8, 8, 128) 147584
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 4, 4, 128) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 2048) 0
_________________________________________________________________
dropout_4 (Dropout) (None, 2048) 0
_________________________________________________________________
dense_1 (Dense) (None, 2500) 5122500
_________________________________________________________________
dropout_5 (Dropout) (None, 2500) 0
_________________________________________________________________
dense_2 (Dense) (None, 1500) 3751500
_________________________________________________________________
dropout_6 (Dropout) (None, 1500) 0
_________________________________________________________________
dense_3 (Dense) (None, 10) 15010
&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;
Total params: 9,176,018
Trainable params: 9,176,018
Non-trainable params: 0
_________________________________________________________________


model.compile(loss&＃61;&＃39;categorical_crossentropy&＃39;,optimizer&＃61;&＃39;adam&＃39;,metrics&＃61;[&＃39;accuracy&＃39;])


train_history&＃61;model.fit(x_train_normalize,y_train_oneHot,validation_split&＃61;0.2,epochs&＃61;20,batch_size&＃61;512,verbose&＃61;1)


WARNING:tensorflow:From F:\Anaconda3\lib\site-packages\tensorflow\python\ops\math_ops.py:3066: to_int32 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.cast instead.
Train on 40000 samples, validate on 10000 samples
Epoch 1/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 23s 563us/step - loss: 2.0186 - acc: 0.2366 - val_loss: 1.9901 - val_acc: 0.2832
Epoch 2/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 400us/step - loss: 1.6135 - acc: 0.3965 - val_loss: 1.7028 - val_acc: 0.3777
Epoch 3/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 394us/step - loss: 1.3934 - acc: 0.4828 - val_loss: 1.8715 - val_acc: 0.3611
Epoch 4/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 390us/step - loss: 1.2475 - acc: 0.5473 - val_loss: 1.3103 - val_acc: 0.5236
Epoch 5/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 15s 378us/step - loss: 1.1002 - acc: 0.6040 - val_loss: 1.1018 - val_acc: 0.5939
Epoch 6/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 15s 377us/step - loss: 1.0072 - acc: 0.6406 - val_loss: 0.9453 - val_acc: 0.6662
Epoch 7/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 389us/step - loss: 0.9290 - acc: 0.6685 - val_loss: 0.9230 - val_acc: 0.6659
Epoch 8/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 396us/step - loss: 0.8720 - acc: 0.6887 - val_loss: 0.8807 - val_acc: 0.6891
Epoch 9/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 401us/step - loss: 0.8309 - acc: 0.7034 - val_loss: 0.8583 - val_acc: 0.6976
Epoch 10/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 396us/step - loss: 0.7732 - acc: 0.7245 - val_loss: 0.8707 - val_acc: 0.6956
Epoch 11/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 409us/step - loss: 0.7110 - acc: 0.7465 - val_loss: 0.7341 - val_acc: 0.7442
Epoch 12/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 405us/step - loss: 0.6757 - acc: 0.7585 - val_loss: 0.7414 - val_acc: 0.7400
Epoch 13/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 409us/step - loss: 0.6291 - acc: 0.7765 - val_loss: 0.7097 - val_acc: 0.7546
Epoch 14/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 390us/step - loss: 0.5840 - acc: 0.7927 - val_loss: 0.7610 - val_acc: 0.7378
Epoch 15/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 405us/step - loss: 0.5554 - acc: 0.8013 - val_loss: 0.6738 - val_acc: 0.7698
Epoch 16/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 396us/step - loss: 0.5205 - acc: 0.8125 - val_loss: 0.6883 - val_acc: 0.7633
Epoch 17/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 397us/step - loss: 0.4830 - acc: 0.8296 - val_loss: 0.6906 - val_acc: 0.7689
Epoch 18/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 15s 387us/step - loss: 0.4614 - acc: 0.8360 - val_loss: 0.6638 - val_acc: 0.7728
Epoch 19/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 393us/step - loss: 0.4265 - acc: 0.8482 - val_loss: 0.6605 - val_acc: 0.7818
Epoch 20/20
40000/40000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 16s 395us/step - loss: 0.4004 - acc: 0.8568 - val_loss: 0.6732 - val_acc: 0.7789


def show_train_history(train_history,train,validation):plt.plot(train_history.history[train])plt.plot(train_history.history[validation])plt.title(&＃39;Train histiry&＃39;)plt.ylabel(train)plt.xlabel(&＃39;epoch&＃39;)plt.legend([&＃39;train,&＃39;,&＃39;validation&＃39;],loc&＃61;&＃39;upper left&＃39;)plt.show()


import matplotlib.pyplot as plt
show_train_history(train_history,&＃39;acc&＃39;,&＃39;val_acc&＃39;)


show_train_history(train_history,&＃39;loss&＃39;,&＃39;val_loss&＃39;)


scores&＃61;model.evaluate(x_test_normalize,y_test_oneHot)
print(&＃39;accuracy&＃61;&＃39;,scores[1])


10000/10000 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - 2s 226us/step
accuracy&＃61; 0.7731


prediction&＃61;model.predict_classes(x_test_normalize)


prediction


array([3, 8, 8, ..., 5, 1, 7], dtype&＃61;int64)


#显示预测和真实标签
def show_images_labels_prediction(images,labels,prediction,idx,num&＃61;10):flig&＃61;plt.figure(figsize&＃61;(12,14))if num>25:num&＃61;25for i in range(0,num):ax&＃61;plt.subplot(5,5,1&＃43;i)ax.imshow(images[idx],cmap&＃61;&＃39;binary&＃39;)title&＃61;&＃39;labels&＃61;&＃39;&＃43;str(labels[idx])if len(prediction)>0:title&＃43;&＃61;&＃39;,predict&＃61;&＃39;&＃43;str(prediction[idx])ax.set_title(title,fontsize&＃61;10)ax.set_xticks([])ax.set_yticks([])idx&＃43;&＃61;1plt.show()
show_images_labels_prediction(x_test_image,y_test_label,prediction,idx&＃61;3)


predicted_probability&＃61;model.predict(x_test_normalize)
predicted_probability


array([[2.9006193e-04, 1.7149459e-03, 4.2438172e-04, ..., 9.3694770e-04,1.9664117e-03, 9.9076331e-04],[2.9601876e-04, 4.5216369e-05, 6.3090932e-10, ..., 2.3708598e-11,9.9965668e-01, 2.0449527e-06],[4.3919675e-02, 1.2709180e-02, 2.2947293e-04, ..., 1.3813358e-03,9.1092557e-01, 2.7691400e-02],...,[5.6735632e-07, 1.4523317e-07, 2.4530725e-03, ..., 6.9129292e-04,1.0275818e-06, 2.9606792e-06],[5.9888985e-02, 8.6926115e-01, 8.8816574e-03, ..., 3.6374254e-03,6.3337351e-04, 1.8751336e-03],[1.3187020e-10, 1.0639010e-12, 1.5599704e-07, ..., 9.9752325e-01,2.3818768e-12, 2.2717030e-11]], dtype&＃61;float32)


#显示预测概率
def show_predicted_probability(y,prediction,x_img,predicted_probability,i):print(&＃39;label&＃xff1a;&＃39;,label_dict[y[i][0]],&＃39;predict&＃39;,label_dict[prediction[i]])plt.figure(figsize&＃61;(2,2))plt.imshow(np.reshape(x_img[i],(32,32,3)))plt.show()for j in range(10):print(label_dict[j]&＃43;&＃39; probability:%1.10f&＃39;%(predicted_probability[i][j]))


show_predicted_probability(y_test_label,prediction,x_test_image,predicted_probability,7)


label&＃xff1a; 青蛙 predict 鹿


飞机 probability:0.0023190014
汽车 probability:0.0000304469
鸟 probability:0.1690994203
猫 probability:0.1828492135
鹿 probability:0.5292489529
狗 probability:0.0202765986
青蛙 probability:0.0775864720
马 probability:0.0176504478
船 probability:0.0007361662
卡车 probability:0.0002032647


#混淆矩阵
import pandas as pdpd.crosstab(y_test_label.reshape(-1),prediction,rownames&＃61;[&＃39;label&＃39;],colnames&＃61;[&＃39;predict&＃39;])


df&＃61;pd.DataFrame({&＃39;label&＃39;:y_test_label.reshape(-1),&＃39;predict&＃39;:prediction})


print(df[(df.label&＃61;&＃61;6) & (df.predict&＃61;&＃61;4)])


label predict
7 6 4
309 6 4
672 6 4
762 6 4
1326 6 4
1670 6 4
1867 6 4
1890 6 4
1989 6 4
2635 6 4
3075 6 4
3711 6 4
4150 6 4
4465 6 4
4610 6 4
4943 6 4
5113 6 4
5297 6 4
5334 6 4
5443 6 4
5961 6 4
6662 6 4
6896 6 4
6908 6 4
7159 6 4
7711 6 4
7945 6 4
8291 6 4
8698 6 4
8916 6 4
8958 6 4
9002 6 4
9216 6 4
9513 6 4
9705 6 4
9842 6 4
9859 6 4


show_images_labels_prediction(x_test_image,y_test_label,prediction,idx&＃61;7,num&＃61;1)


show_images_labels_prediction(x_test_image,y_test_label,prediction,idx&＃61;672,num&＃61;1)


好了&＃xff0c;今天就到这里了&＃xff0c;希望对学习理解有帮助&＃xff0c;大神看见勿喷&＃xff0c;仅为自己的学习理解&＃xff0c;能力有限&＃xff0c;请多包涵&＃xff0c;侵删。