这是实际标记序列：

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

我们查找一下，到底哪些图片猜测掉误了。

你当然可以一个个比较着检查。然则如不雅你的测试集有成千上万的数据，如许做效力就会很低。

我们分析的办法，是起首找出猜测标记序列（predictions）和原始标记序列（test_data['label']）之间有哪些不一致，然后在测试数据集里展示这些不一致的地位。

test_data[test_data['label'] != predictions] 

我们发明，在31个测试数据中，只有1处标记猜测产生了掉误。原始的标记是瓦力，我们的模型猜测结不雅是哆啦a梦。

我们获得这个数据点对应的原始文件路径。

别气馁。

data 

wrong_pred_img_path = test_data[predictions != test_data['label']][0]['path'] 

然后，我们把图像攫取到img变量。

img = tc.Image(wrong_pred_img_path) 

用TuriCreate供给的show()函数，我们查看一下这张图片的内容。

因为深度进修的一个问题在于模型过于复杂，所以我们无法精确判别机械是怎么缺点辨识这张图的。然则我们不难发明这张图片有些特点——除了瓦力以外，还有别的一个机械人。

如不雅你看过这部片子，应当知道两个机械人之间的关系。这里我们按下不表。问题在于，这个右上方的机械人圆头猿湓，看上却竽暌故攀棱角分明的瓦力差别很大年夜。然则，别忘了，哆啦a梦也是圆头圆脑的。

4、道理

按照膳绫擎一节的代码履行后，你应当已经懂得若何构建本身的图片分类系统了。在没有任何道理常识的情况下，钠揭捉?制的┞封个模型已经做得异常棒了。不是吗？

如不雅你对道理不感兴趣，请跳过这一部分，看“小结”。

如不雅你对常识爱好刨根问底，那咱们来讲讲道理。

固然不过写了10几行代码，然则你构建的模型却足够复杂和高大年夜上。它就是传说中的卷积神经收集（Convolutional Neural Network, CNN）。

它是深度机械进修模型的一种。最为简单的卷积神经收集大年夜概长这个样子：

　　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