探討水果數據集

一、數據集介紹

水果數據集包含了各種不同類型的水果圖片，如蘋果、香蕉、橙子等，總計有約60,000張圖片，每種水果都有多個角度和拍攝距離的圖片，圖片解析度為100×100像素，標籤以數字表示。

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

(train_images, train_labels), (test_images, test_labels) = fruit.load_data()

二、數據集分析

首先，我們可以先觀察下數據集中各類水果的圖像數據及對應標籤值的情況。

import matplotlib.pyplot as plt

fig, axs = plt.subplots(5, 5, figsize=(10, 10))
axs = axs.ravel()

for i in range(25):
    axs[i].imshow(train_images[i])
    axs[i].set_title(train_labels[i])
    axs[i].axis('off')

我們可以看到，數據集中的圖像解析度為100×100像素，圖像形狀不規則，我們需要對圖像進行處理，使其能夠更好地用於神經網路訓練。

其次，我們來觀察下數據集中各類水果的數量分布情況。

import numpy as np

unique, counts = np.unique(train_labels, return_counts=True)

plt.figure(figsize=(8, 5))
plt.bar(unique, counts)
plt.title('Quantity Distribution')
plt.xticks(unique)
plt.show()

我們可以看到，數據集中各類水果的數量分布大多數比較均勻，但也有少部分水果類別的數量相對較少，這可能會對訓練結果產生影響。

三、數據集預處理

在對數據集進行訓練前，我們需要對數據集進行預處理，包括對圖像進行歸一化、縮放、剪裁等操作，以及對標籤進行獨熱編碼處理。

from tensorflow.keras.utils import to_categorical

train_images = train_images / 255.0
test_images = test_images / 255.0

train_images = tf.image.resize(train_images, [64, 64])
test_images = tf.image.resize(test_images, [64, 64])

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

四、模型訓練

我們將使用卷積神經網路對水果數據集進行訓練，以實現對水果圖像的分類識別。

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

model = Sequential([
    Conv2D(64, (3, 3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(2, 2),
    Conv2D(32, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(256, activation='relu'),
    Dropout(0.5),
    Dense(120, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=10, batch_size=128)

五、模型評估

我們使用測試集進行模型評估，並查看模型的準確度和損失值。

test_loss, test_accuracy = model.evaluate(test_images, test_labels)

print('Test loss:', test_loss)
print('Test accuracy:', test_accuracy)

我們可以看到，經過10次訓練，我們的模型在測試集上的準確率為約75%。

六、結論

通過對水果數據集進行分析、預處理、模型訓練和評估，我們得到了一種可用於水果圖像分類的神經網路模型。雖然模型的準確度還可以進一步提高，但這仍然為我們提供了一個很好的開始。