tensorflow 图像分类 之一

图像分类代码

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
import pathlibdef image_classify():# 1. Download and prepare the datasetdataset_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"data_dir = tf.keras.utils.get_file('flower_photos', origin=dataset_url, untar=True)data_dir = pathlib.Path(data_dir)print(f"data_dir: {data_dir}")# Create a dataset from the directorybatch_size = 32img_height = 180img_width = 180train_ds = tf.keras.utils.image_dataset_from_directory(data_dir,validation_split=0.2,subset="training",seed=123,image_size=(img_height, img_width),batch_size=batch_size)val_ds = tf.keras.utils.image_dataset_from_directory(data_dir,validation_split=0.2,subset="validation",seed=123,image_size=(img_height, img_width),batch_size=batch_size)class_names = train_ds.class_namesprint(f"Class names: {class_names}")# Configure the dataset for performanceAUTOTUNE = tf.data.AUTOTUNEtrain_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)# 2. Create the modelnum_classes = len(class_names)model = Sequential([layers.Rescaling(1./255, input_shape=(img_height, img_width, 3)),layers.Conv2D(16, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(32, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Conv2D(64, 3, padding='same', activation='relu'),layers.MaxPooling2D(),layers.Flatten(),layers.Dense(128, activation='relu'),layers.Dense(num_classes)])# 3. Compile the modelmodel.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])model.summary()# 4. Train the modelepochs = 10history = model.fit(train_ds,validation_data=val_ds,epochs=epochs)# 5. Evaluate and make predictions# You can plot training history or make predictions on new images here.# For example, to predict on a single image:"""sun_flower_path = list(data_dir.glob('sunflowers/*'))[0]img = tf.keras.utils.load_img(sun_flower_path, target_size=(img_height, img_width))img_array = tf.keras.utils.img_to_array(img)img_array = tf.expand_dims(img_array, 0) # Create a batchpredictions = model.predict(img_array)score = tf.nn.softmax(predictions[0])print("This image most likely belongs to {} with a {:.2f} percent confidence.".format(class_names[np.argmax(score)], 100 * np.max(score)))"""if __name__=="__main__":image_classify()

// An highlighted block
var foo = 'bar';

API 说明

tf.keras.utils.get_file

tf.keras.utils.get_file(
fname=None,
origin=None,
untar=False,
md5_hash=None,
file_hash=None,
cache_subdir=‘datasets’,
hash_algorithm=‘auto’,
extract=False,
archive_format=‘auto’,
cache_dir=None,
force_download=False
)

参数	意义
fname	文件名。如果指定绝对路径，例如“/path/to/file.txt”，则文件将保存在该位置。如果未指定，则使用原始文件名。
origin	文件的原始URL。
untar	已弃用，请改用 extract 参数。布尔值，表示是否应解压缩文件。
md5_hash	已弃用，建议使用 file_hash 参数。用于验证的文件 MD5 哈希值。
file_hash	文件下载后预期生成的哈希字符串。支持 sha256 和 md5 两种哈希算法。
cache_subdir	文件保存在 Keras 缓存目录下的子目录中。如果指定了绝对路径，例如“/path/to/folder”，则文件将保存在该位置。
hash_algorithm	选择用于验证文件的哈希算法。选项包括“md5”、“sha256”和“auto”。默认值“auto”会自动检测当前使用的哈希算法。
extract	True 尝试将文件提取为归档文件，例如 tar 或 zip。
archive_format	要尝试提取文件的归档格式。选项包括“auto”、“tar”、“zip”和“None”。“tar”包含 tar、tar.gz 和 tar.bz 文件。默认值“auto”对应于 [“tar”, “zip”]。None 或空列表将返回未找到匹配项。
cache_dir	用于存储缓存文件的位置，如果为 None，则默认为 $KERAS_HOME（如果设置了 KERAS_HOME 环境变量）或 ~/.keras/。
force_download	如果为真，则无论缓存状态如何，文件都会始终重新下载。

tf.keras.utils.image_dataset_from_directory

tf.keras.utils.image_dataset_from_directory(
directory,
labels=“inferred”,
label_mode=“int”,
class_names=None,
color_mode=“rgb”,
batch_size=32,
image_size=(256, 256),
shuffle=True,
seed=None,
validation_split=None,
subset=None,
interpolation=“bilinear”,
follow_links=False,
crop_to_aspect_ratio=False,
pad_to_aspect_ratio=False,
data_format=None,
format=“tf”,
verbose=True,
)

参数	意义
directory	数据所在的目录。如果labels是"inferred"，则该目录应包含子目录。每个子目录包含一个类别的图像。否则，目录结构将被忽略。
labels	标签可以是"inferred"，标签从目录结构生成；None无标签；或整数标签列表/元组，列表/元组的大小与目录中找到的图像文件数量相同。标签应按照图像文件路径的字母数字顺序排序（通过 Python 中的 os.walk(directory) 获取）。
label_mode	描述标签编码方式的字符串。选项包括：“int”表示标签编码为整数（例如，用于稀疏分类交叉熵损失函数）。“categorical”表示标签编码为分类向量（例如，用于分类交叉熵损失函数）。“binary”表示标签（最多只能有两个）编码为取值为 0 或 1 的 float32 标量（例如，用于二进制交叉熵损失函数）。None（无标签）。
class_names	仅当labels是"inferred"时有效。这是类名的显式列表（必须与子目录名称匹配）。用于控制类的顺序，否则，使用字母数字顺序。
color_mode	可以是"grayscale", “rgb”, “rgba”。用于指定图像将转换为1通道、3通道还是4通道图像。默认为“rgb”。
batch_size	数据批次的大小。默认为 32。如果为 None，则数据将不会进行批次处理，数据集将生成单个样本。
image_size	从磁盘读取图像后，要调整图像大小的目标尺寸，格式为（高度，宽度）。由于流程会处理批量图像，所有图像必须大小相同，因此必须提供此值。默认值为（256，256）。
shuffle	是否对数据进行随机排序。默认为 True。如果设置为 False，则按字母数字顺序对数据进行排序。
seed	可选的随机种子，用于随机排序和变换。
validation_split	可选的浮点数，介于 0 和 1 之间，用于保留验证的数据比例。
subset	要返回的数据子集。可以是“training”、“validation”或“both”之一。仅当设置了 validation_split 时才使用。当 subset=“both” 时，该工具返回一个包含两个数据集的元组，分别为训练数据集和验证数据集。
interpolation	字符串，用于调整图像大小的插值方法。支持 “bilinear”, “nearest”, “bicubic”, “area”, “lanczos3”, “lanczos5”, “gaussian”, “mitchellcubic”。约定是"bilinear"。
follow_links	是否访问符号链接指向的子目录。默认为 False。
crop_to_aspect_ratio	如果为 True，则调整图像大小时不会改变宽高比。当原始图像的宽高比与目标宽高比不同时，输出图像将被裁剪，以返回图像中与目标宽高比匹配的最大窗口（大小为 image_size）。默认情况下（crop_to_aspect_ratio=False），宽高比可能无法保持。
pad_to_aspect_ratio	如果为 True，则调整图像大小时不会改变宽高比。当原始图像的宽高比与目标宽高比不同时，输出图像将进行填充，以返回图像中与目标宽高比匹配的最大窗口（大小为 image_size）。默认情况下（pad_to_aspect_ratio=False），可能无法保持宽高比。
data_format	如果 None 使用 keras.config.image_data_format()，否则使用 ‘channel_last’ 或 ‘channel_first’。
format	返回对象的格式。默认为“tf”。可用选项包括：“tf”：返回一个 tf.data.Dataset 对象。需要安装 TensorFlow。“grain”：返回一个 grain.IterDataset 对象。需要安装 Grain。
verbose	是否显示类别编号信息和找到的文件数量。默认为 True。