第三階段也是實戰(zhàn)階段，不同于前兩個階段的填空而是實打?qū)嵉念A(yù)測分析
題目會給出8000張照片數(shù)據(jù)，其中6000作為訓(xùn)練集而另外2000張作位測試集，通過對6000張的訓(xùn)練來預(yù)測2000的結(jié)果，并將結(jié)果輸出到csv文件中，提交檢驗成功
我們之前學(xué)了一陣子的TensorFlow，對神經(jīng)網(wǎng)絡(luò)的搭建有的大體的認識，而且在網(wǎng)上也輕松找到對應(yīng)的模板，我們打算根據(jù)本題修改模板使其為之所用
在與同學(xué)的一起努力之下，初步代碼已經(jīng)完成，我們又進行修改和完善，最后成型（見如下代碼）

import os from PIL import Image import numpy as np import matplotlib.pyplot as plt from tensorflow import keras import cv2 import keras from keras import datasets, layers, modelsos.environ['KERAS_BACKEND'] = 'tensorflow'js_path = '/home/kesci/input/weather_image1552/train.json' test_path = '/home/kesci/input/weather_image1552/測試集/' train_path = '/home/kesci/input/weather_image1552/訓(xùn)練集/' import json testdata=400#測試集數(shù)量 path = '/home/kesci/input/weather_image1552/train.json' with open(path, 'r') as f:label = json.load(f)def read_image(paths):os.listdir(paths)filelist = []for root, dirs, files in os.walk(paths):for file in files:if os.path.splitext(file)[1] == ".jpg":filelist.append(os.path.join(root, file))return filelistdef im_resize(paths):for filename in paths:with Image.open(filename) as im:newim = im.resize((128, 128))newim.save(filename)def im_array(paths):M = []for filename in paths:im = Image.open(filename)im_L = im.convert("L")im_L = im_L.resize((128, 128))Core = im_L.getdata()arr1 = np.array(Core, dtype='float32') / 255.0list_img = arr1.tolist()M.extend(list_img)return M# mp={'cloudy':0,'sunny':1} dict_label={0:'1',1:'0'} mp = {'sunny': 0, 'cloudy': 1} # label=[0]*len(filelist_1)+[1]*len(filelist_2) js_pic = [] js_lab = [] cnt = 0 for key in label:if (cnt < testdata):js_pic.append(key)js_lab.append(mp[label[key]])cnt += 1 train_lables = np.array(js_lab)tot = [] cnt=0 for key in label:if (cnt < 2000):tot.append(key)cnt += 1features = [] filelist = [] for i in range(len(js_pic)):img = cv2.imread(train_path + js_pic[i], 0)#print(train_path + js_pic[i])filelist.append(train_path + js_pic[i]) trainfilelist = filelist M = [] M = im_array(trainfilelist) train_images=np.array(M).reshape(len(trainfilelist),128,128)train_images = train_images[ ..., np.newaxis ] #print(train_images) # X = np.array(list(zip(x1,x2))).reshape(len(x1), 2) # train_images=np.array(M) # train_images = train_images[ ..., np.newaxis ]# 神經(jīng)網(wǎng)絡(luò) model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 1))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(2, activation='softmax')) model.summary() model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])model.fit(train_images, train_lables, epochs=10) # ,batch_size=400 # print(model.evaluate(train_images,train_lables))a=[] # test = r'C:\Users\carvi\Desktop\人工智能\天氣識別\test' filelist = read_image(test_path) im_resize(filelist) for i in range(2000):im = Image.open(test_path + tot[i])#print(test_path + tot[i])im_L = im.convert("L")Core = im_L.getdata()arr1 = np.array(Core, dtype='float32') / 255.0list_img = arr1.tolist()images = np.array(list_img).reshape(-1, 128, 128, 1)predictions_single = model.predict(images)#print("預(yù)測結(jié)果為:", dict_label[np.argmax(predictions_single)])#print("預(yù)測結(jié)果為:", np.argmax(predictions_single))a.append(np.argmax(predictions_single))#print(predictions_single)np.savetxt('/home/kesci/input/new.csv',a,delimiter = ',') print(a) """ for filename in filelist:im = Image.open(filename)#print(filename)im_L = im.convert("L")Core = im_L.getdata()arr1 = np.array(Core, dtype='float32') / 255.0list_img = arr1.tolist()images = np.array(list_img).reshape(-1, 128, 128, 1)predictions_single = model.predict(images)print("預(yù)測結(jié)果為:", np.argmax(predictions_single))print(predictions_single) """

但是對我們來說還有個巨大的麻煩，就是如何輸出數(shù)據(jù)結(jié)果到csv文件，這可屬實困擾到我，我查閱大量資料，但是最終效果總是不能讓我滿意，最后我想到一個方法：將答案結(jié)果輸入到一個數(shù)組里，然后放在txt文件中，然后我再寫另一個程序讀取txt文件，然后輸出到csv文件中，通過中折的方法達到我的目的。
輸出程序如圖

import os import numpy as np import pandas as pd # !/usr/bin/python # coding = UFT-8 data = pd.read_table('C:\\Users\DELL\Desktop\活動\人工智能\圖像\ceshi.txt',sep='\n') #header=None:沒有每列的column name，可以自己設(shè)定 #encoding='gb2312':其他編碼中文顯示錯誤 #sep=',': ','隔開 data1 = pd.DataFrame(data) data1.to_csv('C:\\Users\DELL\Desktop\活動\人工智能\圖像\data1.csv',sep='\n',index=False) #data1 = pd.DataFrame(arr1, header = False, index = False) # header:原第一行的索引，index:原第一列的索引 #data1.to_csv('C:\\Users\DELL\Desktop\活動\人工智能\圖像\data1.csv\data1.csv',sep='\n')

但是提交最終結(jié)果后發(fā)現(xiàn)得分只有0.5，實屬懵逼了。我辛辛苦苦做了一陣子爭取率只有一半，和剛開始蒙的一樣，（我一開始把結(jié)果全部預(yù)測為1，就是純瞎蒙的答案提交上去，看看能得到多少分，沒想到是0.5）
還有個問題就是，按理說訓(xùn)練集越大正確率越高，但是實際是我6000個數(shù)據(jù)的訓(xùn)練正確率只有百分之50多，但是400個訓(xùn)練集卻有百分之八十多，有時甚至到百分之九十幾，搞不清為什么

最終提交的csv文件如圖


繼續(xù)搞吧，唉，路還長著呢~

總結(jié)

以上是生活随笔為你收集整理的天气情况图像分类练习赛 第三阶段（赛中感）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。