### 创建自定义数据集 为了在 TensorFlow 中创建并使用自定义数据集进行深度学习，需经历几个重要阶段。首先是环境配置，确保已安装必要的库和工具[^1]。 #### 准备图片数据与标签 对于图像分类或其他基于图像的任务，准备过程涉及收集大量带有相应标签的图片，并将其合理分配至训练集和验证集中。这些文件应按照类别分别存放在不同子目录下，以便后续处理更便捷[^2]。 ```python import os from sklearn.model_selection import train_test_split # 定义路径 data_dir = 'path_to_your_images' categories = ['category_1', 'category_2'] # 替换为实际类别名称 all_files = [] labels = [] for category in categories: path = os.path.join(data_dir, category) class_num = categories.index(category) for img in os.listdir(path): all_files.append(os.path.join(path, img)) labels.append(class_num) train_files, test_files, train_labels, test_labels = train_test_split( all_files, labels, test_size=0.2, random_state=42) ``` 此段代码展示了如何读取指定目录下的图片及其对应标签，并随机划分成训练集和测试集[^3]。 #### 加载与预处理数据 利用 `tf.data.Dataset` API 可高效地加载大规模数据集，在这里可以实现诸如解码、缩放等操作： ```python import tensorflow as tf def load_and_preprocess_image(image_path, label): image = tf.io.read_file(image_path) image = tf.image.decode_jpeg(image, channels=3) image = tf.image.resize(image, [IMG_HEIGHT, IMG_WIDTH]) image /= 255.0 # 归一化像素值到[0,1] return image, label BATCH_SIZE = 32 IMG_HEIGHT = 224 IMG_WIDTH = 224 train_dataset = tf.data.Dataset.from_tensor_slices((train_files, train_labels)) test_dataset = tf.data.Dataset.from_tensor_slices((test_files, test_labels)) train_dataset = train_dataset.map(load_and_preprocess_image).shuffle(1000).batch(BATCH_SIZE) test_dataset = test_dataset.map(load_and_preprocess_image).batch(BATCH_SIZE) ``` 上述脚本说明了怎样构建一个简单的管道来加载本地磁盘上的图像文件，并对其进行基本变换以适应神经网络输入的要求[^4]。 #### 构建模型架构 当准备好数据之后，则可以根据具体应用场景设计合适的卷积神经网络(CNN)，比如ResNet,VGG等经典结构或是轻量级MobileNets系列。此处仅给出一个简易版CNN框架作为示范: ```python model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(16,(3,3),activation='relu',input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)), tf.keras.layers.MaxPooling2D(pool_size=(2,2)), tf.keras.layers.Conv2D(32,(3,3),activation='relu'), tf.keras.layers.MaxPooling2D(pool_size=(2,2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dropout(rate=0.5), tf.keras.layers.Dense(len(categories), activation='softmax') ]) model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) ``` 这段代码片段呈现了一个基础版本的 CNN 模型构造方式以及编译设置[^5]。