Python Academy · 课时

图像分类项目

Q: 「图像分类项目」这节课中我会学到什么？

构建基础 CNN 模型 你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

构建基础 CNN 模型

图像分类项目 是 CoddyKit 上的免费 Python Academy 课时。这是第 4 节课，共 5 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Python Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python Academy 课程共包含 5 节课。

图像分类项目

在本项目中，我们将构建一个简单的 CNN，将图像分类到不同类别中。图像分类包括预测输入图像所属的类别或标签。

用于分类的数据集

我们将使用 CIFAR-10 数据集，其中包含 10 个类别的 60,000 张图像，例如飞机、汽车、鸟类和猫。每张图像的尺寸为 32×32 像素，并具有 3 个颜色通道（RGB）。

加载数据集

我们将使用 TensorFlow 加载 CIFAR-10 数据集：

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

构建 CNN 模型

我们将定义一个包含卷积层、池化层和全连接层的 CNN 架构：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

编译模型

我们将使用以下设置编译模型：

损失函数：用于多类别分类的分类交叉熵。
优化器：用于高效学习的 Adam 优化器。
评估指标：用于评估性能的准确率。

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

训练模型

我们使用训练数据训练模型 10 个周期。在训练过程中，模型会学习将图像分类到不同类别中。

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

评估模型

训练完成后，我们在测试数据上评估模型，以检查其准确率：

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

进行预测

我们可以使用训练好的模型对新图像进行预测：

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

图像分类中的挑战

常见的挑战包括：

过拟合：模型在训练数据上表现良好，但在新数据上表现不佳。
类别不平衡：数据集中各类别的样本数量不均衡。
计算成本：训练深度网络需要大量资源。

总结与后续步骤

在本项目中，我们：

使用 CIFAR-10 数据集构建并训练了一个用于图像分类的 CNN。
学习了如何加载、预处理和评估数据集。
讨论了图像分类任务中的挑战。

接下来，我们将探索数据增强技术，通过生成训练图像的不同变体来提升模型性能。

常见问题解答

「图像分类项目」课时是免费的吗？

是的 — 「图像分类项目」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Python Academy 课程的其余内容，请升级到 CoddyKit PRO。 Python Academy 课程共包含 5 节课。

「图像分类项目」这节课中我会学到什么？

构建基础 CNN 模型你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Python Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Python Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 4 节课，共 5 节。

「图像分类项目」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Python Academy 课中编写并运行代码吗？

能。每节 Python Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Python Academy