写在前头

本文与 30天 吃掉那只 tensorflow 的原文有较大的出入，只是借鉴他使用的数据集并且整个构建网络的过程；数据处理部分和训练网络部分都是自己设计的，测试部分我也使用了自己上网找到图片并进行了处理；仅供大家参考

1. Cifar10数据集的介绍、获取

cifar10 数据集使用了 10 种分类的训练数据；标签从 0-9
获取方式： 如下:
使用强大的 jupyterlab 工具来查看一下 load_data 的用法；这个函数会自动帮你下载数据集（这种通过命令行直接从 tensorflow 官网中下载大约需要2个小时，可以通过别的方式获取，请自行查阅相关文章）

2. 训练集数据可视化

load_data 函数最终返回 2 个 tuple；所以我们用以下代码来接受返回值

可视化一下前三个训练数据

• 我们可以看到训练数据的前三个的标签为 6，9，9
• 也可以看到我们可视化出来的结果前三张图分别是：青蛙、卡车、卡车
  

3. 简单数据处理：将标签进行 one-hot 编码转换

对于多分类问题，我们一般会把标签转换成 one-hot 编码的形式，为了以后更容易计算；所以我们在这里用到了 to_categorical 函数来转换

还记得么 y_train 的前三个标签是 6，9，9，现在变成了对应位置为 1 其他位置为0 的 one-hot 编码，这是为了在后面的计算中对应的使用 softmax 函数计算出概率分布，并通过相应位置的概率分布计算损失；

4. 构建网络模型

可以用 model.summary() 来查看你已经建立的网络结构还有需要训练的参数

5. 模型训练

6. 训练数据可视化

先来看看 history 里有哪些可以可视化的数据：
发现有 ['loss', 'acc', 'val_loss', 'val_acc'] 我们使用索引把他们的值分别拿出来并展示以下，他们每一组数据都存在一个列表里，我们就用这些数据可视化每一个 epoch 的训练过程

把 loss 和 val_loss 呈现在一张图中

把 acc 和 val_acc 也放在同一个图中进行对比

两个图像表明，数据被训练的很好，也没有存在过拟合现象。

7. 数据评估

数据评估的准确率甚至略高于训练集，这也是很好的结果

下面，我从网上随便照一张图片，用我们训练好的模型来检测一下训练成果。下面是我找的网图；下面的代码中我将演示如何处理这张网图，然后用模型来进行预测。

7.1 数据处理

• 可以看到，刚读出来的图片是 3 个通道的彩图；我们上面训练的也使用的 3 通道彩图；
• 所以我们要对这个图片进行 resize；但是 resize 操作不能直接对 3 通道的图片做；所以：
• 我们按照 opencv 读图片的通道顺序 b, g, r （注意不是 rgb） 使用 cv2.split() 函数对数据解包；得到了每个通道之后我们分别做 resize 操作，最后再用 cv2.merge() 将三个通道叠加起来；这样我们就可以得到我们想要的结果了

7.2 将数据送到模型中测试

但是直接这样送入模型会报错；因为你用测试集进行测试的时候你的数据是 4 维的，(10000, 32, 32, 3) 这个 10000 代表的是10000张测试图片；所以我们要进行测试，要把这个测试的数据升高一个维度，或者把 n 张图片绑到一个数组里面送去测试，即把矩阵变成 (n, 32, 32, 3) 这种模式；


为了简单起见，我直接用两张它自己作为测试集；
注意！！！ 把这两张图片放在一个列表中之后，千万不要忘记将这个列表用 numpy 转换成一个矩阵；因为模型的输入只能是矩阵而不能是列表

按照概率分布中的结果，我们筛选出最大的值来看一看是不是我们想要的标签

使用 .argmax() 函数返回数组中最大的值的索引；返回的位置是 1；我们回去看 cifar10 数据集中的 1 代表的是 “汽车”类

所以可以看出来，模型的训练效果还是不错的。模型的保存部分，大家可以翻看我的上篇文章。

写在后面

如有错误，敬请指正；欢迎交流
个人的微信号：