【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

骑猪看日落 2022-10-15 10:54 201阅读 0赞

## 前言 ##

本文综合整理神经网络的入门实践，包括物体识别、花朵分类、猫狗识别、风格迁移、文本分类；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，并动手实践；大家要不看看？ ( •̀ 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，通过搭建和训练一个模型，来对10种常见的物体进行识别分类；使用到CIFAR10数据集，它包含10 类，即：“飞机”，“汽车”，“鸟”，“猫”，“鹿”， “狗”，“青蛙”，“马”，“船”，“卡车” ；共 60000 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“汽车”，或“鸟”，还是其它。

**思路流程**

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

**数据集效果图**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70][]

**网络结构**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1][]

详细介绍：[手把手搭建一个【卷积神经网络】][Link 1]

## 二、花朵分类 ##

**简介**

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

使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2][]

**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，包括数据集处理、搭建模型、训练模型、使用模型等；**更重要的是解在训练模型时遇到“过拟合”，如何解决这个问题，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，并进行数据预处理
3.  构建模型（搭建神经网络结构、编译模型）
4.  训练模型（把数据输入模型、评估准确性、作出预测、验证预测）  
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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3][]

详细介绍：[“花朵分类“ 手把手搭建【卷积神经网络】][Link 2]

## 三、猫狗识别 ##

**简介**

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

预先训练好的神经网络，通常称为“预训练模型”，它在大型数据集上进行训练，取得业界认可的效果，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，毕竟效果挺好的；提供输入信息，经过模型处理，直接输出结果。

也可以使用预训练模型的一部分网络结构，使用其特定的功能（比如：特征提取），然后根据给定任务自定义搭建一部分网络结构（比如：实现分类），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，并进行数据预处理
3.  构建模型（搭建神经网络结构、编译模型）预训练模型 + 自定义模型
4.  训练模型（把数据输入模型、评估准确性、作出预测、验证预测）  
5.  使用训练好的模型

**模型效果**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4][]

详细介绍：[迁移学习之快速搭建【卷积神经网络】][Link 3]

## 四、风格迁移 ##

**简介**

风格迁移，基于A图像内容，参考B图像的风格（名画，像毕加索或梵高一样绘画），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，是一种优化技术，用于将两个图像，A图像内容和B图像风格，混合再一起，是输出的图像看起来像A图像，但是也参考了B图像的风格。

通过优化输出图像，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，60多行代码快速实现神经网络的风格迁移，为方便大家使用，已经整理相关代码和模型到[Github][]中，直接下载即可使用。

**模型效果**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5][]

详细介绍：[神经网络之风格迁移【TF-Hub开源项目】][TF-Hub]

## 五、文本分类 ##

**简介**

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

使用到网络电影数据库的 IMDB 数据集，包含 50,000 条影评文本，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，包括数据集处理、搭建模型、训练模型、使用模型等；**更重要的认识“迁移学习”的开发流程，使用业界认可的网络模型作为“预训练模型”，提高开发效率。**

**思路流程**

1.  导入数据集
2.  探索集数据，并进行数据预处理
3.  构建模型（搭建神经网络、编译模型）
4.  训练模型（把数据输入模型、评估准确性、作出预测、验证预测）  
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**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6][]

**模型结构**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7][]

详细介绍：[【迁移学习】快速实现“文本分类“][Link 4]

**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][Link 5]**

**大家加油呀~~ ****( •̀ ω •́ )✧**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70]: /images/20221014/bb0a716571e8490784a2d0da9e6cd833.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1]: /images/20221014/519f4d66c57643039fea2edcbd00db3b.png
[Link 1]: https://blog.csdn.net/qq_41204464/article/details/116381750?spm=1001.2014.3001.5501
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2]: /images/20221014/f160233c0d01400abca35daaee42fce0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3]: /images/20221014/03f6192361834d10b5aefe8a6fafbdae.png
[Link 2]: https://blog.csdn.net/qq_41204464/article/details/116567051?spm=1001.2014.3001.5501
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4]: /images/20221014/6bc02266e845484fabed82b938f97022.png
[Link 3]: https://mp.csdn.net/editor/html/116720400
[Github]: https://github.com/guo-pu/Tensorflow2
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5]: /images/20221014/66a2f1bfde1d47f087c2543c13a06716.png
[TF-Hub]: https://blog.csdn.net/qq_41204464/article/details/117048238?spm=1001.2014.3001.5501
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6]: /images/20221014/1246d15b5df2479e92e1282575c7a304.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7]: /images/20221014/4a0cbadbd2fd49eabc86c0ee1d4bfd18.png
[Link 4]: https://blog.csdn.net/qq_41204464/article/details/117092259?spm=1001.2014.3001.5501
[Link 5]: https://blog.csdn.net/qq_41204464/article/details/115797030?spm=1001.2014.3001.5501