### 使用 TensorFlow 实现基于深度学习的花菜识别 Python 示例 以下是一个完整的示例，展示如何使用 TensorFlow 构建一个卷积神经网络（CNN）模型来识别花菜图像。 --- #### 数据准备 在开始之前，需要准备包含花菜和其他类别的图像数据集。假设数据集已经准备好，并分为训练集和测试集[^1]。 ```python import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置图像生成器，用于数据增强 train_datagen = ImageDataGenerator( rescale=1./255, # 归一化处理 shear_range=0.2, zoom_range=0.2, horizontal_flip=True ) test_datagen = ImageDataGenerator(rescale=1./255) # 加载训练集和测试集 train_generator = train_datagen.flow_from_directory( 'data/train', # 训练集路径 target_size=(150, 150), # 调整图像大小 batch_size=32, class_mode='binary' # 分类模式，二分类问题 ) validation_generator = test_datagen.flow_from_directory( 'data/validation', # 验证集路径 target_size=(150, 150), batch_size=32, class_mode='binary' ) ``` --- #### 构建 CNN 模型 定义一个简单的卷积神经网络模型，用于图像分类任务。 ```python # 创建卷积神经网络模型 model = models.Sequential() # 添加卷积层和池化层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # 展平层 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(512, activation='relu')) # 输出层 model.add(layers.Dense(1, activation='sigmoid')) # 编译模型 model.compile( loss='binary_crossentropy', # 损失函数 optimizer=tf.keras.optimizers.Adam(), # 优化器 metrics=['accuracy'] # 评估指标 ) ``` --- #### 训练模型 使用训练集和验证集对模型进行训练。 ```python # 训练模型 history = model.fit( train_generator, steps_per_epoch=100, # 每个 epoch 的训练步数 epochs=10, # 训练轮数 validation_data=validation_generator, validation_steps=50 # 每个 epoch 的验证步数 ) ``` --- #### 模型评估与保存 完成训练后，可以对模型进行评估并保存。 ```python # 评估模型 test_loss, test_acc = model.evaluate(validation_generator) print(f"Test Accuracy: {test_acc}") # 保存模型 model.save('flower_cabbage_classifier.h5') ``` --- #### 使用模型进行预测 加载保存的模型并对新图像进行预测。 ```python from tensorflow.keras.preprocessing import image import numpy as np # 加载模型 model = tf.keras.models.load_model('flower_cabbage_classifier.h5') # 加载并预处理图像 img_path = 'data/test/cabbage.jpg' # 替换为测试图像路径 img = image.load_img(img_path, target_size=(150, 150)) img_array = image.img_to_array(img) img_array = np.expand_dims(img_array, axis=0) / 255.0 # 进行预测 prediction = model.predict(img_array) if prediction[0] > 0.5: print("This is a cabbage") else: print("This is not a cabbage") ``` --- ### 注意事项 - 确保安装了 TensorFlow 和相关依赖项。 - 数据集路径应根据实际情况调整。 - 如果是多分类问题，需将 `class_mode` 设置为 `categorical` 并修改输出层的激活函数为 `softmax`。 ---