不同天气状况识别

​

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。各位小伙伴，如果您：
想系统/深入学习某技术知识点…
一个人摸索学习很难坚持，想组团高效学习…
想写博客但无从下手，急需写作干货注入能量…
热爱写作，愿意让自己成为更好的人…
…

创作计划

**
1，机缘

A，分享创作经验
B，学习TensorFlow
C，熟悉Python

2，收获

A，获得了10粉丝的关注
B，获得了20多赞、阅读量
C，认识了TensorFlow同行

3，日常

1. 创作已经是我学习的一部分
2. 制定创作计划，例如，每周二、四、六晚写博客。其余时间学习

4，憧憬

创作规划是最近学习TensorFlow编程基本流程，从识别文字到图片。再到实现自己的机器学习模型。

**

学习计划

**
1，学习目标

这几天掌握 TensorFlow入门知识，安装，运行，常见错误处理。

2，学习内容

A，搭建 TensorFlow开发环境
B，掌握 TensorFlow 基本语法
C，掌握加载数据集的方法
D，掌握查看数据集的方法

3，学习时间

周一至周五晚上6 点—晚上9点
周六下午 6 点-下午 9 点
周日下午 6 点-下午 9 点

4，学习产出

技术笔记 1 遍
查看CSDN技术博客 10 篇
学习的 视频 2个

**

学习日记

**
1，学习知识点

TensorFlow加载、导入数据集，设置验证集、测试集，查看数据集，训练等

2，学习遇到的问题

matplotlib的使用，pathlib如何选择图片问题，TensorFlow提高读取性能的方法

3，学习的收获

学会了如何使用TensorFlow运行机器学习，TensorFlow运行的基本流程。什么是卷积神经网络，如何卷积。构建卷积神经网络的过程。

4，实操

import matplotlib.pyplot as plt
import os,PIL
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,models
import pathlib


data_dir = "D:/BaiduNetdiskDownload/weather_photos"
#为调用Path的glob函数
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*.jpg')))
print("图片总数为：",image_count)
#查看图片
rises = list(data_dir.glob('sunrise/*.jpg'))
PIL.Image.open(str(rises[0])).show()
#数据预处理
batch_size = 32
img_height = 180
img_width = 180

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)
class_names = train_ds.class_names
print(class_names)
#数据可视化
plt.figure(figsize=(20, 10))  #指定figure的宽和高

for images, labels in train_ds.take(1):
    for i in range(25):
        ax = plt.subplot(5, 5, i + 1) #指的是在一个5行5列共25个子图的图中，定位第i个图来进行操作。

        plt.imshow(images[i].numpy().astype("uint8"))
        plt.title(class_names[labels[i]])

        plt.axis("off")
plt.show()

for image_batch, labels_batch in train_ds:
    print(image_batch.shape)
    print(labels_batch.shape)
    break

AUTOTUNE = tf.data.AUTOTUNE

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)


num_classes = 4
model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1. / 255, input_shape=(img_height, img_width, 3)),

    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)),  # 卷积层
    layers.AveragePooling2D((2, 2)),  # 池化层
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层
    layers.AveragePooling2D((2, 2)),  # 池化层
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层
    layers.Dropout(0.3),
# Flatten层
    layers.Flatten(),  
    layers.Dense(128, activation='relu'),  # 全连接层
    layers.Dense(num_classes)  # 输出层
])

model.summary()

opt = tf.keras.optimizers.Adam(learning_rate=0.001)

model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
epochs = 10

history = model.fit(
  train_ds,
  validation_data=val_ds,
  epochs=epochs
)

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114

运行结果：

可以看到模型在训练集上表现得好，在验证集上表现得不好，说明出现了过拟合。使用layers.Dropout(0.3) 消除一些神经元可以减少过拟合。

​