ResNet50图像分类流程1 .训练集、测试集、验证集2 .训练模型2.1准备数据增强
带有按钮的叫做删除
基于ResNet50的图像分类——知乎
Tensorflow最容易实现ResNet50残差神经网络，进行图像分类，速度超快
过程1 .准备培训集、测试集、验证集参考：了解培训集、验证集、测试集和验证
一开始我把测试集和验证集混淆了。 我们发现，很多资料里的代码这两个写真集就这样用了同样的东西，后来是两个集。 另外，因为分开训练的效果更好。
1 .训练集(训练集) :用于训练模型的图像数据示例。
2 .“验证集”(validation set )是在模型训练过程中单独留下的一组示例，可用于调整模型的hyperameter，或初步评估模型的能力。
3 .测试集(test set )其实是最后应该分类的照片。
例如，训练集--------------- 53之后的答案，需要对答案判断自己的水平(每个epoch结束后，把验证集拿来模型，根据指标进行这个
训练集：我大概每种设置了250张左右。 (其实我推荐500张左右。 验证集： 60张左右。 把我集中起来，其实每次只放两三张照片左右。 是看效果)。
2 .培训模型2.1数据增强#1，使用keras的ImageDataGenerator获取数据train _ data gen=keras.preprocessing.image.image data generator 在tf中，将数据正规化，取-1~1之间的值。 # rescale=1./255，#preprocessing_functing图像中各像素点在0~255之间，在0~1之间的数rotation_range=40， #获得图像增强方法，将图像随机旋转一个角度，如果旋转角度大于-40~40之间width_shift_range=0.2，#的1，则为特定像素尺寸(height _ shift ) 如果大于1，则指定具体像素大小(shear_range=0.2，#剪切强度sydbmh_range=0.2，#缩放强度horizontal_flip=True， #是否随机水平翻转使用fill _ mode=' near re image data generator读取图像#从训练集中的文件夹读取图像train _ generator=train _ data #图像的文件夹位置targeer #放大缩小图像的大小batch_size=batch_size，cmdbl组seed=7， #随机数种子shuffle=true # class _ mode=' categorical ' #是否选择控制目标值label的格式onehot编码后的格式# 从验证集文件夹中选择图像valid _ data gen=keras.preprocessing.image.image data generator (preprocessing _ function=keras.apling ) rom_directory(valid_dir，target_size=(height，width )，batch ) )。
懒惰地写了
optimizer=“sgd”优化器看着自己选择sgd还是adam，不知道哪个好
我没赶时间写，现在找不到代码