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

Posted 2021-06-28 一颗小树x

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

网络结构

详细介绍：手把手搭建一个【卷积神经网络】

 

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。

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：

详细介绍：“花朵分类“ 手把手搭建【卷积神经网络】

 

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

详细介绍：迁移学习之快速搭建【卷积神经网络】

 

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

详细介绍：神经网络之风格迁移【TF-Hub开源项目】

 

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

模型结构

详细介绍：【迁移学习】快速实现“文本分类“

 

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

 

大家加油呀~~ ( •̀ ω •́ )✧