资源简介
亲测可以直接运行,先运行CNN训练神经网络,再运行predict进行花卉预测。

代码片段和文件信息
#!/usr/bin/env python
# -*- coding:utf-8 -*-
from skimage import iotransform
import glob
import os
import tensorflow as tf
import numpy as np
import time
#数据集地址
path=‘C:\\Users\litan\Desktop\ise\CNN\elower_photos\elower_photos/‘
#模型保存地址
model_path=‘C:\\Users\litan\Desktop\ise\CNN\model.ckpt‘
#将所有的图片resize成100*100
w=100
h=100
c=3
#读取图片
def read_img(path):
cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)]
imgs=[]
labels=[]
for idxfolder in enumerate(cate):
for im in glob.glob(folder+‘/*.jpg‘):
print(‘reading the images:%s‘%(im))
img=io.imread(im)
img=transform.resize(img(wh))
imgs.append(img)
labels.append(idx)
return np.asarray(imgsnp.float32)np.asarray(labelsnp.int32)
datalabel=read_img(path)
#打乱顺序
num_example=data.shape[0]
arr=np.arange(num_example)
np.random.shuffle(arr)
data=data[arr]
label=label[arr]
#将所有数据分为训练集和验证集
ratio=0.8
s=np.int(num_example*ratio)
x_train=data[:s]
y_train=label[:s]
x_val=data[s:]
y_val=label[s:]
#-----------------构建网络----------------------
#占位符
x=tf.placeholder(tf.float32shape=[Nonewhc]name=‘x‘)
y_=tf.placeholder(tf.int32shape=[None]name=‘y_‘)
def inference(input_tensor train regularizer):
with tf.variable_scope(‘layer1-conv1‘):
conv1_weights = tf.get_variable(“weight“[55332]initializer=tf.truncated_normal_initializer(stddev=0.1))
conv1_biases = tf.get_variable(“bias“ [32] initializer=tf.constant_initializer(0.0))
conv1 = tf.nn.conv2d(input_tensor conv1_weights strides=[1 1 1 1] padding=‘SAME‘)
relu1 = tf.nn.relu(tf.nn.bias_add(conv1 conv1_biases))
with tf.name_scope(“layer2-pool1“):
pool1 = tf.nn.max_pool(relu1 ksize = [1221]strides=[1221]padding=“VALID“)
with tf.variable_scope(“layer3-conv2“):
conv2_weights = tf.get_variable(“weight“[553264]initializer=tf.truncated_normal_initializer(stddev=0.1))
conv2_biases = tf.get_variable(“bias“ [64] initializer=tf.constant_initializer(0.0))
conv2 = tf.nn.conv2d(pool1 conv2_weights strides=[1 1 1 1] padding=‘SAME‘)
relu2 = tf.nn.relu(tf.nn.bias_add(conv2 conv2_biases))
with tf.name_scope(“layer4-pool2“):
pool2 = tf.nn.max_pool(relu2 ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘VALID‘)
with tf.variable_scope(“layer5-conv3“):
conv3_weights = tf.get_variable(“weight“[3364128]initializer=tf.truncated_normal_initializer(stddev=0.1))
conv3_biases = tf.get_variable(“bias“ [128] initializer=tf.constant_initializer(0.0))
conv3 = tf.nn.conv2d(pool2 conv3_weights strides=[1 1 1 1] padding=‘SAME‘)
relu3 = tf.nn.relu(tf.nn.bias_add(conv3 conv3_biases))
with tf.name_scope(“layer6-pool3“):
pool3 = tf.nn.max_pool(relu3 ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘VALID‘)
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2019-04-01 23:40 花卉识别\
文件 7558 2018-11-15 00:09 花卉识别\cnn.py
文件 112658 2019-01-15 23:04 花卉识别\model.ckpt.me
文件 2010 2018-11-15 01:11 花卉识别\predict.py
文件 116 2019-04-01 23:42 花卉识别\数据集下载地址.txt
相关资源
- Pythonamp;课堂amp;笔记(高淇amp;400;集第
- Python中Numpy库最新教程
- 用python编写的移动彩信的发送程序
- Python全栈学习笔记面向对象大作业:
- python实现的ftp自动上传、下载脚本
- ReportMachine 交叉报表 学生成绩表
- Python版的A*寻路算法
- reportmachine帮助电子书
- IronPython IDE
- pip-10.0.1.tar.gz
- Data Science from Scratch 2nd Edition
- Bishop - Pattern Recognition And Machine Learn
- [en]深度学习[Deep Learning: Adaptive Compu
- 吴恩达机器学习编程题
- shape_predictor_68_face_landmarks.dat.bz2 68个标
- 爬取豆瓣电影TOP250程序,包含非常详
- 中文维基百科语料库百度网盘网址.
- MSCNN_dehaze.rar
- 爬取豆瓣排行榜电影数据(含GUI界面
- 字典文本资源
- titanic_dataset.csv泰坦尼克数据集
- Brainfuck / OoK 解码脚本
- 案例实战信用卡欺诈检测数据集
- TensorFlow Machine Learning Cookbook+无码高清
- Hands-On Machine Learning with Scikit-Learn an
- 招商策略_抱团启示录那些年我们一起
- sip-4.19.zip
- 树莓派3b+学习使用教程
- numpy 中文学习手册
- pytorch-1.4.0-py3.7_cpu_0.tar.bz2
评论
共有 条评论