卷积神经网络（CNN）实现图像分类—

这篇具有很好参考价值的文章主要介绍了卷积神经网络（CNN）实现图像分类——Python。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

卷积神经网络（CNN）实现图像分类——Python

1.代码运行

输入 1 测试一张图片并预测结果

python图片分类源代码,python基础,python,cnn,分类,开发语言,深度学习

输入 2 对测试集整体进行测试，得出准确率（10秒左右）
输入其他数字自动退出程序

2.注意事项

本程序包含python库较多，请自行配置（pip），如有需求，请评论或私信！
回复其他数字会自动退出程序
输入图片要求是28*28像素
模型训练大概需要2分钟，请耐心等候！
本代码使用在线MNIST数据库，无需本地MNIST数据库！
文件会自动在同目录下面生成Model文件夹，里面包含两个文件model.pdopt、model.pdparams
如果需要可视化，可以将callbacks行注释去除
如果需要下图格式，请将上面代码中 verbose=0修改为verbose=1

3.代码分析

数据预处理,从paddle库得到mnist数据

def data_process():
    transform = T.Normalize(mean=[127.5], std=[127.5])
    train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
    test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
    print('训练样本量：{}，测试样本量：{}'.format(len(train_dataset), len(test_dataset)))
    return train_dataset, test_dataset

2.训练模型

def create_model(train_dataset, test_dataset):
    print('查找是否存在模型.')
    # 网络结构代码实现，调用paddle的网络
    network = paddle.vision.models.LeNet(num_classes=10)
    model = paddle.Model(network)
    model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),  # 优化器
                  paddle.nn.CrossEntropyLoss(),  # 损失函数
                  paddle.metric.Accuracy())  # 评估指标
    if not os.path.exists('Model/model.pdopt') or not os.path.exists('Model/model.pdparams'):
        print('不存在模型，开始训练模型.')
        # callback = paddle.callbacks.VisualDL(log_dir='visualdl_log_dir_LeNet学习率0.001')
        # 启动全流程训练
        model.fit(train_dataset,  # 训练数据集
                  test_dataset,  # 评估数据集
                  epochs=5,  # 训练轮次
                  batch_size=64,  # 单次计算数据样本量
                  verbose=0,
                  # callbacks=callback
                  )  # 日志展示形式
        print("模型训练结束")
        # 进行预测操作
        # result = model_1.predict(test_dataset)
        model.save('Model/model')
    else:
        model.load('Model/model')
        print("已经存在训练好的模型！！！")
    return model

3.测试单张和多张


def Test_one(imgPath, modelPath):
    model = modelPath
    # image = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype='float32'))
    im = Image.open(imgPath).convert('L')
    # 为灰度图像，每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。 转换公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。
    # im = im.resize((28, 28), Image.ANTIALIAS)
    im = numpy.array(im).reshape(-1, 1, 28, 28).astype('float32')
    im = im / 255.0 - 1.0
    result = model.predict([im], verbose=True)
    print('预测结果是：', result[0][0].argmax(), '\n')  # argmax()得到最大值下标


# 测试准确率
def Test_all(modelPath):
    model = modelPath
    result = model.evaluate(test_dataset, verbose=1)
    print('准确率为:', result['acc'])

4.主程序文章来源地址https://www.toymoban.com/news/detail-740087.html

if __name__ == '__main__':
    print('训练数据自动使用paddle自带的MINST数据库')
    print('回复数字1为测试一张图片，回复数字2为测试测试集准确率，回复其他数字自动退出程序！！！\n')
    train_dataset, test_dataset = data_process()
    model = create_model(train_dataset, test_dataset)

    while 1:
        ans = input('测试一张(1)还是测试集准确率(2):')
        match (ans):
            case '1':
                modelPath = model  # 模型文件会生成在本文件同目录下不需要选择，这里Path默认直接加载模型
                root = tk.Tk()
                root.withdraw()
                print('请选择测试图片')
                imgPath = filedialog.askopenfilename()
                Test_one(imgPath, modelPath)
                continue
            case '2':
                modelPath = model
                Test_all(modelPath)
                continue
            case _:
                print('测试结束！！！')
                exit()

4.源代码

如果是完成大作业需求，请各位自己适配！！！！

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @FileName  :CNN3.py
# @Time      :2023/4/24 14:28
# @Author    :YKW
import os
import paddle
import numpy
import tkinter as tk
from PIL import Image
from tkinter import filedialog
import paddle.vision.transforms as T

'protobuf版本建议使用3.20.0，否则会不兼容'
'训练数据自动使用paddle自带的MINST数据库'


# 数据预处理,从paddle库得到mnist数据
def data_process():
    transform = T.Normalize(mean=[127.5], std=[127.5])
    train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
    test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
    print('训练样本量：{}，测试样本量：{}'.format(len(train_dataset), len(test_dataset)))
    return train_dataset, test_dataset


# 训练模型
def create_model(train_dataset, test_dataset):
    print('查找是否存在模型.')
    # 网络结构代码实现，调用paddle的网络
    network = paddle.vision.models.LeNet(num_classes=10)
    model = paddle.Model(network)
    model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),  # 优化器
                  paddle.nn.CrossEntropyLoss(),  # 损失函数
                  paddle.metric.Accuracy())  # 评估指标
    if not os.path.exists('Model/model.pdopt') or not os.path.exists('Model/model.pdparams'):
        print('不存在模型，开始训练模型.')
        # callback = paddle.callbacks.VisualDL(log_dir='visualdl_log_dir_LeNet学习率0.001')
        # 启动全流程训练
        model.fit(train_dataset,  # 训练数据集
                  test_dataset,  # 评估数据集
                  epochs=5,  # 训练轮次
                  batch_size=64,  # 单次计算数据样本量
                  verbose=0,
                  # callbacks=callback
                  )  # 日志展示形式
        print("模型训练结束")
        # 进行预测操作
        # result = model_1.predict(test_dataset)
        '''
        indexs = [5, 20, 48, 210]
        for idx in indexs:
            show_img(test_dataset[idx][0], np.argmax(result[0][idx]))'''
        model.save('Model/model')
    else:
        model.load('Model/model')
        print("已经存在训练好的模型！！！")
    return model


# 测试单张
def Test_one(imgPath, modelPath):
    model = modelPath
    # image = preprocessing.StandardScaler().fit_transform(np.array(Image.open(imgPath).convert('L'), dtype='float32'))
    im = Image.open(imgPath).convert('L')
    # 为灰度图像，每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。 转换公式：L = R * 299/1000 + G * 587/1000+ B * 114/1000。
    # im = im.resize((28, 28), Image.ANTIALIAS)
    im = numpy.array(im).reshape(-1, 1, 28, 28).astype('float32')
    im = im / 255.0 - 1.0
    result = model.predict([im], verbose=True)
    print('预测结果是：', result[0][0].argmax(), '\n')  # argmax()得到最大值下标


# 测试准确率
def Test_all(modelPath):
    model = modelPath
    result = model.evaluate(test_dataset, verbose=1)
    print('准确率为:', result['acc'])


if __name__ == '__main__':
    print('训练数据自动使用paddle自带的MINST数据库')
    print('回复数字1为测试一张图片，回复数字2为测试测试集准确率，回复其他数字自动退出程序！！！\n')
    train_dataset, test_dataset = data_process()
    model = create_model(train_dataset, test_dataset)

    while 1:
        ans = input('测试一张(1)还是测试集准确率(2):')
        match (ans):
            case '1':
                modelPath = model  # 模型文件会生成在本文件同目录下不需要选择，这里Path默认直接加载模型
                root = tk.Tk()
                root.withdraw()
                print('请选择测试图片')
                imgPath = filedialog.askopenfilename()
                Test_one(imgPath, modelPath)
                continue
            case '2':
                modelPath = model
                Test_all(modelPath)
                continue
            case _:
                print('测试结束！！！')
                exit()