Compartir tecnología

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

introducción

La clasificación de imágenes es una tarea básica en visión por computadora, que permite a las computadoras identificar automáticamente objetos en las imágenes. En este artículo, utilizaremos Python y TensorFlow para implementar un modelo de clasificación de imágenes simple para ayudar a todos a comprender los conceptos básicos de la tecnología de inteligencia artificial.

Preparación

Primero, necesitamos instalar algunas bibliotecas de Python necesarias. Abra una terminal de línea de comando y ejecute el siguiente comando:

pip install tensorflow numpy matplotlib

Cargar conjunto de datos

Usaremos el famoso conjunto de datos MNIST, que contiene imágenes de dígitos escritos a mano (0 a 9). TensorFlow ya tiene este conjunto de datos integrado, por lo que podemos cargarlo fácilmente.

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 construcción

Usaremos un modelo de red neuronal simple para la clasificación de imágenes. Este modelo contiene una capa de entrada (capa aplanada), dos capas completamente conectadas (capa densa) y una capa de salida.

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 entrenamiento

Ahora podemos entrenar el modelo. Usaremos los datos de entrenamiento (x_train, y_train) para entrenar el modelo y los datos de prueba (x_test, y_test) para evaluar el rendimiento del 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)

imagen predicha

Una vez completado el entrenamiento, podemos usar el modelo para predecir nuevas imágenes. Aquí se explica cómo hacer predicciones sobre una imagen a partir de los datos de prueba.

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

En este artículo, comenzamos desde cero e implementamos un modelo de clasificación de imágenes simple usando Python y TensorFlow. A través de este ejemplo, aprendimos cómo cargar datos, construir un modelo, entrenar el modelo y hacer predicciones. Espero que este artículo pueda ayudarlo a comenzar con la tecnología de inteligencia artificial e inspirar su interés en seguir explorando este campo.

---

Este artículo presenta cómo implementar un modelo de clasificación de imágenes simple usando Python y TensorFlow, y proporciona ejemplos de código detallados para ayudarlo a completar esta tarea paso a paso. En la actualidad, Python también es muy popular. Por supuesto, el autor no puede dejar de avanzar y adoptar la tecnología de vanguardia. Los idiomas son todos iguales, ¡solo apréndelos!