Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

introdução

A classificação de imagens é uma tarefa básica em visão computacional, que permite aos computadores identificar automaticamente objetos nas imagens. Neste artigo, usaremos Python e TensorFlow para implementar um modelo simples de classificação de imagens para ajudar todos a compreender os fundamentos da tecnologia de IA.

Preparação

Primeiro, precisamos instalar algumas bibliotecas Python necessárias. Abra um terminal de linha de comando e execute o seguinte comando:

pip install tensorflow numpy matplotlib

Carregar conjunto de dados

Usaremos o famoso conjunto de dados MNIST, que contém imagens de dígitos manuscritos (0 a 9). O TensorFlow já possui esse conjunto de dados integrado, então podemos carregá-lo facilmente.

import tensorflow as tf
from tensorflow.keras.datasets import mnist
 
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
 
# 归一化图像数据
x_train, x_test = x_train / 255.0, x_test / 255.0

Modelo de construção

Usaremos um modelo de rede neural simples para classificação de imagens. Este modelo contém uma camada de entrada (camada Flatten), duas camadas totalmente conectadas (camada Densa) e uma camada de saída.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
 
# 构建顺序模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 输入层：将28x28的图像展平成一维数组
    Dense(128, activation='relu'),  # 隐藏层：128个神经元，使用ReLU激活函数
    Dense(10, activation='softmax') # 输出层：10个神经元，使用Softmax激活函数
])
 
# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Modelo de treinamento

Agora podemos treinar o modelo. Usaremos os dados de treinamento (x_train, y_train) para treinar o modelo e os dados de teste (x_test, y_test) para avaliar o desempenho do modelo.

# 训练模型
model.fit(x_train, y_train, epochs=5)
 
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('测试准确率:', test_acc)

imagem prevista

Após a conclusão do treinamento, podemos usar o modelo para prever novas imagens. Veja como fazer previsões em uma imagem a partir dos dados de teste.

import numpy as np
import matplotlib.pyplot as plt
 
# 选择一张测试图像
img = x_test[0]
plt.imshow(img, cmap='gray')
plt.show()
 
# 预测图像类别
img = np.expand_dims(img, 0)  # 扩展维度以匹配模型输入
predictions = model.predict(img)
predicted_class = np.argmax(predictions)
print('预测类别:', predicted_class)

Resumir

Neste artigo, começamos do zero e implementamos um modelo simples de classificação de imagens usando Python e TensorFlow. Por meio deste exemplo, aprendemos como carregar dados, construir um modelo, treinar o modelo e fazer previsões. Espero que este artigo possa ajudá-lo a começar com a tecnologia de IA e inspirar seu interesse em uma exploração mais aprofundada neste campo.

---

Este artigo apresenta como implementar um modelo simples de classificação de imagens usando Python e TensorFlow e fornece exemplos de código detalhados para ajudá-lo a concluir esta tarefa passo a passo. Atualmente, Python também é muito popular. É claro que o autor não pode parar de avançar. Os idiomas são todos iguais, basta aprendê-los!