本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV3。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
4、使用classification_report评估模型。
详见文章链接：
https://wanghao.blog.csdn.net/article/details/122797153?spm=1001.2014.3001.5502
2022-02-06 16:06:09
937.12MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV3。
通过这篇文章你可以学到：
1、了解MobileNetV3的特点。
2、如何加载图片数据，并处理数据。
3、如果将标签转为onehot编码
4、如何使用数据增强。
5、如何使用mixup。
6、如何切分数据集。
7、如何加载预训练模型。
原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122795928
2022-02-06 12:05:53
937.3MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV2，MobileNetV2在MobileNetV1的基础上增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）是一种轻量级的网络，适合应用在真实的移动端应用场景。
关于MobileNetV2的介绍可以看我以前的文章：
https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122766065
通过这篇文章你可以学到：
1、如何加载图片数据，并处理数据。
2、如果将标签转为onehot编码
3、如何使用数据增强。
4、如何使用mixup。
5、如何切分数据集。
6、如何加载预训练模型。
详见文章：https://wanghao.blog.csdn.net/article/details/122773967
2022-02-03 12:05:14
961.09MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV2。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
文章链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122768747
2022-02-02 17:05:56
937.01MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV1。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
2022-01-27 09:12:29
970.3MB
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，本文使用的案例训练出来的模型只有38M，适合应用在真实的移动端应用场景。
关于MobileNet的介绍可以看我以前的文章：https://wanghao.blog.csdn.net/article/details/122699618
通过这篇文章你可以学到：
1、如何加载图片数据，并处理数据。
2、如果将标签转为onehot编码
3、如何使用数据增强。
4、如何使用mixup。
5、如何切分数据集。
6、如何加载预训练模型。
详见文章链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122700746
2022-01-26 17:07:35
936.3MB
496,835 条来自 AG 新闻语料库 4 大类别超过 2000 个新闻源的新闻文章，数据集仅仅援用了标题和描述字段。每个类别分别拥有 30,000 个训练样本及 1900 个测试样本。
README：
AG's News Topic Classification Dataset
Version 3, Updated 09/09/2015
ORIGIN
AG is a collection of more than 1 million news articles. News articles have been gathered from more than 2000 news sources by ComeToMyHead in more than 1 year of activity. ComeToMyHead is an academic news search engine which has been running since July, 2004. The dataset is provided by the academic comunity for research purposes in data mining (clustering, classification, etc), information retrieval (ranking, search, etc), xml, data compression, data streaming, and any other non-commercial activity. For more information, please refer to the link http://www.di.unipi.it/~gulli/AG_corpus_of_news_articles.html .
The AG's news topic classification dataset is constructed by Xiang Zhang (xiang.zhang@nyu.edu) from the dataset above. It is used as a text classification benchmark in the following paper: Xiang Zhang, Junbo Zhao, Yann LeCun. Character-level Convolutional Networks for Text Classification. Advances in Neural Information Processing Systems 28 (NIPS 2015).
DESCRIPTION
The AG's news topic classification dataset is constructed by choosing 4 largest classes from the original corpus. Each class contains 30,000 training samples and 1,900 testing samples. The total number of training samples is 120,000 and testing 7,600.
The file classes.txt contains a list of classes corresponding to each label.
The files train.csv and test.csv contain all the training samples as comma-sparated values. There are 3 columns in them, corresponding to class index (1 to 4), title and description. The title and description are escaped using double quotes ("), and any internal double quote is escaped by 2 double quotes (""). New lines are escaped by a backslash followed with an "n" character, that is "\n".
2022-01-23 12:58:33
11.24MB
1
本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.X版本如何使用Keras实现图像分类，分类的模型使用InceptionV3。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
详见文章：https://wanghao.blog.csdn.net/article/details/122642906
2022-01-23 10:05:51
936.32MB
本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.X版本如何使用Keras实现图像分类，分类的模型使用ResNet50。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
2022-01-23 09:15:29
936.29MB
本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。本文实现的算法有一下几个特点：
1、自定义了图片加载方式，更加灵活高效，节省内存
2、加载模型的预训练权重，训练时间更短。
3、数据增强选用albumentations。
详见：https://wanghao.blog.csdn.net/article/details/122607363?spm=1001.2014.3001.5502
2022-01-20 21:08:39
695.31MB