你会发明，TuriCreateh会赞助你把图片进行尺寸变换，并且主动抓取图片的特点。然后它会大年夜练习集琅绫擎采取5%的数据作为验证集，赓续迭代寻找最优的参数设备，达到最佳模型。

这里可能会有一些警告信息，忽视就可以了。

当你看到下列信息的时刻，意味着练习工作已经顺利完成了。

可以看到，几个轮次下来，不论是练习的精确度，照样验证的精确度，都已经异常高了。

下面，我们用获得的图片分类模型，来对测试集做猜测。

predictions = model.predict(test_data) 

我妹浇椁测的结不雅（一系列图片对应的标记序列）存入了predictions变量。

然后，我们让TuriCreate告诉我们，在测试集上，我们的模型表示若何。

先别急着往下看，猜猜结不雅精确率大年夜概是若干？大年夜0到1之间，猜猜一?数字。

猜完后，请持续。

履行以下敕令，我们来创建一个Anaconda虚拟情况，名字叫做turi。

metrics = model.evaluate(test_data) 
 
print(metrics['accuracy']) 

这就是精确率的结不雅：

0.967741935484 

安装完毕后，履行：

我们只用了100多个数据做了练习，居然就能在测试集（机械没有见过的图片数据）上，获得如斯高的辨识精确度。

为了验证这不是精确率计算部分代码的掉误，我们来实际看看猜测结不雅。

predictions 

dtype: str 
 
Rows: 31 
 
['doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle', 'doraemon', 'walle', 'doraemon', 'walle', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle', 'doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'doraemon', 'walle', 'walle', 'walle', 'doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'walle'] 

再看看实际的标签。

test_data['label'] 	
			
 4/7   首页 上一页 2 3 4 5 6 7 下一页 尾页
	
			

　　推荐阅读
　　为初学者准备的MariaDB管理命令
            之前我们学过了在 Centos/RHEL 7 上安装 MariaDB 办事器并包管其安然，使之成为了 RHEL/CentOS 7 的默认数据库。如今我们再来看看一些有效的 MariaDB 治理敕令。这些都是应用 MariaDB 最基本的敕令，并>>>详细阅读


本文标题：如何用Python和深度神经网络识别图像？
地址：http://www.17bianji.com/lsqh/40521.html
 1/2    1