花朵分类(一)
本次教程的目的是带领大家学会基本的花朵图像分类
首先我们来介绍下数据集，该数据集有5种花，一共有3670张图片，分别是daisy、dandelion、roses、sunflowers、tulips，数据存放结构如下所示
我们可以展示下roses的几张图片
接下来我们需要加载数据集，然后对数据集进行划分，最后形成训练集、验证集、测试集，注意此处的验证集是从训练集切分出来的，比例是8:2
对数据进行探索的时候，我们发现原始的像素值是0-255，为了模型训练更稳定以及更容易收敛，我们需要标准化数据集，一般来说就是把像素值缩放到0-1，可以用下面的layer来实现
normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1./255)
为了使训练的时候I/O不成为瓶颈，我们可以进行如下设置
AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
下一步就是模型搭建，然后对模型进行训练
num_classes = 5 model = tf.keras.Sequential([ tf.keras.layers.experimental.preprocessing.Rescaling(1./255), tf.keras.layers.Conv2D(32, 3, activation='relu'), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Conv2D(32, 3, activation='relu'), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Conv2D(32, 3, activation='relu'), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(num_classes) ]) model.compile( optimizer='adam', loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) model.fit( train_ds, validation_data=val_ds, epochs=3 )
从上图的训练记录可以发现，该模型处于欠拟合状态，我们可以通过多训练几轮来解决这个问题，而且为了快速实验，我们这里用了一个非常简单的模型，我们可以通过更换更强的模型，来提升模型的表现
代码链接: https://codechina.csdn.net/csdn_codechina/enterprise_technology/-/blob/master/load_preprocess_images.ipynb
相关知识
花朵分类
pytorch 花朵的分类识别
图片分类数据集(17类花朵)
“花朵分类“ 手把手搭建【卷积神经网络】
深度学习之基于Matlab GoogleNet网络的花朵分类识别
花卉生产技术 项目一 花卉分类 项目一 花卉分类（下）
1任务一花卉分类
第10章 项目：多类花朵分类
花卉分类（一）根据生态习惯分类
使用PyTorch实现对花朵的分类
网址: 花朵分类(一) https://m.huajiangbk.com/newsview676903.html
| 上一篇: 花的种类识别数据 |
下一篇: 研究生物多样性，CNGBdb这5 |
