摄影学习网站,网页模板之家,网站开发待遇高吗,做网站的软件名字全拼一. 如何自制数据集#xff1f;
1. 目录结构
以下是自制数据集-手写数字集, 保存在目录 mnist_image_label 下 2. 数据存储格式
2.1. 目录mnist_train_jpeg_60000 下存放的是 60000张用于测试的手写数字 如 : 0_5.jpg, 表示编号为0#xff0c;标签为5的图片 6_1.jpg, 表示…一. 如何自制数据集
1. 目录结构
以下是自制数据集-手写数字集, 保存在目录 mnist_image_label 下 2. 数据存储格式
2.1. 目录mnist_train_jpeg_60000 下存放的是 60000张用于测试的手写数字 如 : 0_5.jpg, 表示编号为0标签为5的图片 6_1.jpg, 表示编号为6标签为1的图片 2.2. 目录mnist_test_jpeg_10000 下存放的是10000张用于测试的手写数字 图片存储格式与1.1相同
2.3. txt文件 mnist_train_jpg_60000.txt里面存放的是 比如第一行 28755_0.jpg 0 前面表示图片名称后面的0表示该图片对应的标签这里表示该图片是手写数字0. 2.4. txt文件 mnist_test_jpg_10000.txt , 存放的是测试数据集的标签 二. 如何读取自制数据集并输入神经网络
以下是test.py 如何读取自制数据集代码
1. 导入需要的库
import tensorflow as tf from PIL import Image
import numpy as np
import os 2.设置数据集所在文件目录 (test.py, 需和mnist_image_label 目录在同一级目录下)
train_path ./mnist_image_label/mnist_train_jpg_60000/train_txt ./mnist_image_label/mnist_train_jpg_60000.txtx_train_savepath ./mnist_image_label/mnist_x_train.npyy_train_savepath ./mnist_image_label/mnist_y_train.npytest_path ./mnist_image_label/mnist_test_jpg_10000/test_txt v/mnist_image_label/mnist_test_jpg_10000.txtx_test_savepath ./mnist_image_label/mnist_x_test.npy #训练集输入特征存储文件npy,y_test_savepath ./mnist_image_label/mnist_y_test.npy #训练集标签存储文件 3.定义读取数据的函数
def generateds(path, txt):f open(txt, r) # 以只读形式打开txt文件contents f.readlines() # 读取文件中所有行f.close() # 关闭txt文件x, y_ [], [] # 建立空列表for content in contents: # 逐行取出value content.split() # 以空格分开图片路径为value[0] , 标签为value[1] , 存入列表img_path path value[0] # 拼出图片路径和文件名print(image path....: img_path)img Image.open(img_path) # 读入图片img np.array(img.convert(L)) # 图片变为8位宽灰度值的np.array格式img img / 255. # 数据归一化 实现预处理x.append(img) # 归一化后的数据贴到列表xy_.append(value[1]) # 标签贴到列表y_print(loading : content) # 打印状态提示x np.array(x) # 变为np.array格式y_ np.array(y_) # 变为np.array格式y_ y_.astype(np.int64) # 变为64位整型return x, y_ # 返回输入特征x返回标签y_ 4.调用定义的函数
if os.path.exists(x_train_savepath) and os.path.exists(y_train_savepath) and os.path.exists(x_test_savepath) and os.path.exists(y_test_savepath):print(-------------Load Datasets-----------------)x_train_save np.load(x_train_savepath)y_train np.load(y_train_savepath)x_test_save np.load(x_test_savepath)y_test np.load(y_test_savepath)x_train np.reshape(x_train_save, (len(x_train_save), 28, 28))x_test np.reshape(x_test_save, (len(x_test_save), 28, 28))else:print(-------------Generate Datasets-----------------)x_train, y_train generateds(train_path, train_txt)x_test, y_test generateds(test_path, test_txt)print(-------------Save Datasets-----------------)x_train_save np.reshape(x_train, (len(x_train), -1))x_test_save np.reshape(x_test, (len(x_test), -1))np.save(x_train_savepath, x_train_save)np.save(y_train_savepath, y_train)np.save(x_test_savepath, x_test_save)np.save(y_test_savepath, y_test)
5. 搭建神经网络训练数据
model tf.keras.models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128, activationrelu),tf.keras.layers.Dense(10, activationsoftmax)
])model.compile(optimizeradam,losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsFalse),metrics[sparse_categorical_accuracy])model.fit(x_train, y_train, batch_size32, epochs5, validation_data(x_test, y_test), validation_freq1)
model.summary()
