Tensorflow2.0學習筆記------Cifar10

承接上文的MNIST的練手，本文再來練習卷積神經網絡實現cifar10的分類，環境還是在colab是安裝的tensorflow。不會用colab的可以看我之前博客https://blog.csdn.net/hesongzefairy/article/details/105411219

Step1：國際慣例加載tensorflow

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

Step2：加載數據集（已經集成到tf中，直接調用方法加載）

CIFAR10數據集包含60000張彩色圖像，共10類，平均每類6000張圖，圖像大小是(32, 32)另外加載數據集已經做好了切分，訓練集50000張，測試集10000張。

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 歸一化處理
train_images, test_images = train_images / 255.0, test_images / 255.0

Step3：查看數據集內容

把前10張圖打印出來瞧瞧

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

plt.figure(figsize=(10,10))
for i in range(10):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

Step4：搭建模型並設置訓練流程

卷積神經網絡CNN接收數據的shape爲（height，width，channel），不用考慮batch_size ，對於channel來說，RGB彩圖就channel=3，mnist的灰度圖像channel=1。

這裏使用了三層2D卷積層，隨着網絡的深入，特徵圖尺寸變小可以添加更多的卷積層通道數，32增加到64。

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 添加分類器
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

顯示一下網絡結構

model.summary()

Step5：啓動訓練並評估模型

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

Step6：測試模型並繪製loss圖（history的使用）

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(test_acc)