### 使用 TensorFlow 实现花卉识别 #### 数据准备 对于任何机器学习项目来说，数据都是至关重要的部分。在构建用于花卉分类的卷积神经网络之前，需要准备好相应的图片数据集[^3]。 ```python import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置路径变量 train_dir = 'path_to_train_data' validation_dir = 'path_to_validation_data' # 图像增强参数配置 datagen = ImageDataGenerator( rescale=1./255, rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest') # 加载并预处理训练数据 train_generator = datagen.flow_from_directory( train_dir, target_size=(150, 150), batch_size=20, class_mode='categorical') # 验证数据同样操作 validation_generator = datagen.flow_from_directory( validation_dir, target_size=(150, 150), batch_size=20, class_mode='categorical') ``` #### 构建 CNN 模型架构 定义一个多层卷积神经网络来提取特征，并最终完成分类任务[^1]。 ```python model = tf.keras.models.Sequential([ # 第一层卷积池化 tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)), tf.keras.layers.MaxPooling2D(2, 2), # 添加更多卷积层... # 展平层 tf.keras.layers.Flatten(), # 全连接层 tf.keras.layers.Dense(512, activation='relu'), # 输出层 tf.keras.layers.Dense(4, activation='softmax') # 假设有四个类别 ]) model.compile(loss='categorical_crossentropy', optimizer=tf.optimizers.Adam(), metrics=['accuracy']) ``` #### 训练模型 通过调用 `fit` 方法启动训练过程，在此期间可以监控损失函数的变化情况以及验证集上的性能表现。 ```python history = model.fit( train_generator, steps_per_epoch=100, epochs=10, validation_data=validation_generator, validation_steps=50) ``` #### 测试与评估 当训练完成后，应该使用独立测试集对模型的效果进行全面评价，确保其泛化能力良好。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ```