微信公众号 讲师中心
首页
文章
后端开发 web前端 数据库 开发工具 php框架 常见问题 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 自媒体 新闻
专题
后端开发 web前端 数据库 开发工具 php框架 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程 新闻
AI工具
AI 聊天问答 Agent智能体 AI 文本写作 AI 绘画作图 AI 设计工具 AI 视频创作 AI 音频制作 AI 办公学习 AI 编程开发 Prompt指令
学习
大前端 后端开发 数据库 移动端 运维开发 计算机基础
编程手册
大前端 后端开发 数据库 移动端 运维开发 计算机基础
下载
js特效 网站源码 工具下载 类库下载 网站素材 学习资源 插件扩展 手机/移动开发 手机游戏
搜索
后端开发 web前端 数据库 开发工具 php框架 常见问题 科技 Java 系统教程 电脑教程 硬件教程 手机教程 软件教程 游戏教程
自媒体 新闻
首页 > 科技周边 > 人工智能 > 正文

基于Paddle2.0的猫12分类

P粉084495128
发布： 2025-07-21 11:30:13
原创
679人浏览过
本项目用Paddle2.0rc解决12类猫的分类问题，旨在掌握其图像分类使用方法。数据集含2160张训练图、240张测试图，先解压并加载库，配置参数后划分训练和验证集，定义数据集类，初始化mobilenet_v1模型，配置优化器等，训练10轮，最后评估、测试并保存模型与结果。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

基于paddle2.0的猫12分类 - php中文网

塔猫ChatPPT
塔猫ChatPPT

塔猫官网提供AI一键生成 PPT的智能工具，帮助您快速制作出专业的PPT。塔猫ChatPPT让您的PPT制作更加简单高效。

塔猫ChatPPT 42
查看详情 塔猫ChatPPT

项目描述

本项目采用Paddle2.0rc版本解决猫的分类问题。

主要目的是跑通流程，掌握Paddle2.0rc版本在图像分类问题上的使用方法。

数据集介绍


训练集共有2160张图片，测试集共有240张图片。共有12个猫的分类。


基于Paddle2.0的猫12分类 - php中文网 基于Paddle2.0的猫12分类 - php中文网 基于Paddle2.0的猫12分类 - php中文网 基于Paddle2.0的猫12分类 - php中文网

解压缩原始数据集

In [ ]
!unzip -q data/data63045/cat_12_train.zip -d work/
!unzip -q data/data63045/cat_12_test.zip -d work/
!cp data/data63045/train_list.txt work/
登录后复制

加载需要的库

In [ ]
import osimport shutilimport numpy as npimport paddlefrom paddle.io import Datasetfrom paddle.vision.datasets import DatasetFolder, ImageFolderfrom paddle.vision.transforms import Compose, Resize, Transpose
登录后复制

全局参数配置

In [ ]
'''
参数配置
'''train_parameters = {    "class_dim": 12,  #分类数
    "target_path":"/home/aistudio/work/",                     
    'train_image_dir': '/home/aistudio/work/trainImages',    'eval_image_dir': '/home/aistudio/work/evalImages',    'test_image_dir': '/home/aistudio/work/cat_12_test',    'train_list_path': '/home/aistudio/work/train_list.txt',
}
登录后复制

划分训练集和验证集

In [ ]
def create_train_eval():
    '''
    划分训练集和验证集
    '''
    train_dir = train_parameters['train_image_dir']
    eval_dir = train_parameters['eval_image_dir']
    train_list_path = train_parameters['train_list_path']
    target_path = train_parameters['target_path']    print('creating training and eval images')    if not os.path.exists(train_dir):
        os.mkdir(train_dir)    if not os.path.exists(eval_dir):
        os.mkdir(eval_dir) 

    with open(train_list_path, 'r') as f:
        data = f.readlines()        for i in range(len(data)):
            img_path = data[i].split('\t')[0]
            class_label = data[i].split('\t')[1][:-1]            if i % 8 == 0:                                  # 每8张图片取一个做验证数据
                eval_target_dir = os.path.join(eval_dir, str(class_label)) 
                eval_img_path = os.path.join(target_path, img_path)                if not os.path.exists(eval_target_dir):
                    os.mkdir(eval_target_dir)  
                shutil.copy(eval_img_path, eval_target_dir)                         
            else:
                train_target_dir = os.path.join(train_dir, str(class_label)) 
                train_img_path = os.path.join(target_path, img_path)                     
                if not os.path.exists(train_target_dir):
                    os.mkdir(train_target_dir)
                shutil.copy(train_img_path, train_target_dir) 

    print ('划分训练集和验证集完成！')
登录后复制
In [ ]
create_train_eval()
登录后复制
creating training and eval images
划分训练集和验证集完成！
登录后复制

定义数据集

In [ ]
class CatDataset(Dataset):
    """
    步骤一：继承paddle.io.Dataset类
    """
    def __init__(self, mode='train'):
        """
        步骤二：实现构造函数，定义数据读取方式，划分训练和测试数据集
        """
        super(CatDataset, self).__init__()
        train_image_dir = train_parameters['train_image_dir']
        eval_image_dir = train_parameters['eval_image_dir']
        test_image_dir = train_parameters['test_image_dir']

        transform_train = Compose([Resize(size=(112,112)), Transpose()])
        transform_eval = Compose([Resize(size=(112,112)), Transpose()])
        train_data_folder = DatasetFolder(train_image_dir, transform=transform_train)
        eval_data_folder = DatasetFolder(eval_image_dir, transform=transform_eval)
        test_data_folder = ImageFolder(test_image_dir, transform=transform_eval)
        self.mode = mode        if self.mode  == 'train':
            self.data = train_data_folder        elif self.mode  == 'eval':
            self.data = eval_data_folder        elif self.mode  == 'test':
            self.data = test_data_folder    def __getitem__(self, index):
        """
        步骤三：实现__getitem__方法，定义指定index时如何获取数据，并返回单条数据（训练数据，对应的标签）
        """
        data = np.array(self.data[index][0]).astype('float32')        if self.mode  == 'test':            return data        else:
            label = np.array([self.data[index][1]]).astype('int64')            return data, label    def __len__(self):
        """
        步骤四：实现__len__方法，返回数据集总数目
        """
        return len(self.data)
登录后复制
In [ ]
train_dataset = CatDataset(mode='train')
val_dataset = CatDataset(mode='eval')
test_dataset = CatDataset(mode='test')
登录后复制

初始化模型

In [ ]
# 使用内置的模型,这边可以选择多种不同网络，这里选了mobilenet_v1网络model = paddle.vision.models.mobilenet_v1(pretrained=True, num_classes=train_parameters["class_dim"])

model = paddle.Model(model)
登录后复制
100%|██████████| 25072/25072 [00:00<00:00, 28070.41it/s]
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1175: UserWarning: Skip loading for fc.weight. fc.weight receives a shape [1024, 1000], but the expected shape is [1024, 12].
  warnings.warn(("Skip loading for {}. ".format(key) + str(err)))
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1175: UserWarning: Skip loading for fc.bias. fc.bias receives a shape [1000], but the expected shape is [12].
  warnings.warn(("Skip loading for {}. ".format(key) + str(err)))
登录后复制
In [ ]
## 查看模型结构model.summary((-1, 3, 224, 224))
登录后复制
---------------------------------------------------------------------------------
    Layer (type)          Input Shape          Output Shape         Param #    
=================================================================================
     Conv2D-160        [[1, 3, 224, 224]]   [1, 32, 112, 112]         864      
   BatchNorm2D-107    [[1, 32, 112, 112]]   [1, 32, 112, 112]         128      
       ReLU-88        [[1, 32, 112, 112]]   [1, 32, 112, 112]          0       
    ConvBNLayer-1      [[1, 3, 224, 224]]   [1, 32, 112, 112]          0       
     Conv2D-161       [[1, 32, 112, 112]]   [1, 32, 112, 112]         288      
   BatchNorm2D-108    [[1, 32, 112, 112]]   [1, 32, 112, 112]         128      
       ReLU-89        [[1, 32, 112, 112]]   [1, 32, 112, 112]          0       
    ConvBNLayer-2     [[1, 32, 112, 112]]   [1, 32, 112, 112]          0       
     Conv2D-162       [[1, 32, 112, 112]]   [1, 64, 112, 112]        2,048     
   BatchNorm2D-109    [[1, 64, 112, 112]]   [1, 64, 112, 112]         256      
       ReLU-90        [[1, 64, 112, 112]]   [1, 64, 112, 112]          0       
    ConvBNLayer-3     [[1, 32, 112, 112]]   [1, 64, 112, 112]          0       
DepthwiseSeparable-1  [[1, 32, 112, 112]]   [1, 64, 112, 112]          0       
     Conv2D-163       [[1, 64, 112, 112]]    [1, 64, 56, 56]          576      
   BatchNorm2D-110     [[1, 64, 56, 56]]     [1, 64, 56, 56]          256      
       ReLU-91         [[1, 64, 56, 56]]     [1, 64, 56, 56]           0       
    ConvBNLayer-4     [[1, 64, 112, 112]]    [1, 64, 56, 56]           0       
     Conv2D-164        [[1, 64, 56, 56]]     [1, 128, 56, 56]        8,192     
   BatchNorm2D-111     [[1, 128, 56, 56]]    [1, 128, 56, 56]         512      
       ReLU-92         [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
    ConvBNLayer-5      [[1, 64, 56, 56]]     [1, 128, 56, 56]          0       
DepthwiseSeparable-2  [[1, 64, 112, 112]]    [1, 128, 56, 56]          0       
     Conv2D-165        [[1, 128, 56, 56]]    [1, 128, 56, 56]        1,152     
   BatchNorm2D-112     [[1, 128, 56, 56]]    [1, 128, 56, 56]         512      
       ReLU-93         [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
    ConvBNLayer-6      [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
     Conv2D-166        [[1, 128, 56, 56]]    [1, 128, 56, 56]       16,384     
   BatchNorm2D-113     [[1, 128, 56, 56]]    [1, 128, 56, 56]         512      
       ReLU-94         [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
    ConvBNLayer-7      [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
DepthwiseSeparable-3   [[1, 128, 56, 56]]    [1, 128, 56, 56]          0       
     Conv2D-167        [[1, 128, 56, 56]]    [1, 128, 28, 28]        1,152     
   BatchNorm2D-114     [[1, 128, 28, 28]]    [1, 128, 28, 28]         512      
       ReLU-95         [[1, 128, 28, 28]]    [1, 128, 28, 28]          0       
    ConvBNLayer-8      [[1, 128, 56, 56]]    [1, 128, 28, 28]          0       
     Conv2D-168        [[1, 128, 28, 28]]    [1, 256, 28, 28]       32,768     
   BatchNorm2D-115     [[1, 256, 28, 28]]    [1, 256, 28, 28]        1,024     
       ReLU-96         [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
    ConvBNLayer-9      [[1, 128, 28, 28]]    [1, 256, 28, 28]          0       
DepthwiseSeparable-4   [[1, 128, 56, 56]]    [1, 256, 28, 28]          0       
     Conv2D-169        [[1, 256, 28, 28]]    [1, 256, 28, 28]        2,304     
   BatchNorm2D-116     [[1, 256, 28, 28]]    [1, 256, 28, 28]        1,024     
       ReLU-97         [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
   ConvBNLayer-10      [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
     Conv2D-170        [[1, 256, 28, 28]]    [1, 256, 28, 28]       65,536     
   BatchNorm2D-117     [[1, 256, 28, 28]]    [1, 256, 28, 28]        1,024     
       ReLU-98         [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
   ConvBNLayer-11      [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
DepthwiseSeparable-5   [[1, 256, 28, 28]]    [1, 256, 28, 28]          0       
     Conv2D-171        [[1, 256, 28, 28]]    [1, 256, 14, 14]        2,304     
   BatchNorm2D-118     [[1, 256, 14, 14]]    [1, 256, 14, 14]        1,024     
       ReLU-99         [[1, 256, 14, 14]]    [1, 256, 14, 14]          0       
   ConvBNLayer-12      [[1, 256, 28, 28]]    [1, 256, 14, 14]          0       
     Conv2D-172        [[1, 256, 14, 14]]    [1, 512, 14, 14]       131,072    
   BatchNorm2D-119     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-100         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-13      [[1, 256, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-6   [[1, 256, 28, 28]]    [1, 512, 14, 14]          0       
     Conv2D-173        [[1, 512, 14, 14]]    [1, 512, 14, 14]        4,608     
   BatchNorm2D-120     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-101         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-14      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-174        [[1, 512, 14, 14]]    [1, 512, 14, 14]       262,144    
   BatchNorm2D-121     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-102         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-15      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-7   [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-175        [[1, 512, 14, 14]]    [1, 512, 14, 14]        4,608     
   BatchNorm2D-122     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-103         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-16      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-176        [[1, 512, 14, 14]]    [1, 512, 14, 14]       262,144    
   BatchNorm2D-123     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-104         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-17      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-8   [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-177        [[1, 512, 14, 14]]    [1, 512, 14, 14]        4,608     
   BatchNorm2D-124     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-105         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-18      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-178        [[1, 512, 14, 14]]    [1, 512, 14, 14]       262,144    
   BatchNorm2D-125     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-106         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-19      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-9   [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-179        [[1, 512, 14, 14]]    [1, 512, 14, 14]        4,608     
   BatchNorm2D-126     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-107         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-20      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-180        [[1, 512, 14, 14]]    [1, 512, 14, 14]       262,144    
   BatchNorm2D-127     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-108         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-21      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-10  [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-181        [[1, 512, 14, 14]]    [1, 512, 14, 14]        4,608     
   BatchNorm2D-128     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-109         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-22      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-182        [[1, 512, 14, 14]]    [1, 512, 14, 14]       262,144    
   BatchNorm2D-129     [[1, 512, 14, 14]]    [1, 512, 14, 14]        2,048     
      ReLU-110         [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
   ConvBNLayer-23      [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
DepthwiseSeparable-11  [[1, 512, 14, 14]]    [1, 512, 14, 14]          0       
     Conv2D-183        [[1, 512, 14, 14]]     [1, 512, 7, 7]         4,608     
   BatchNorm2D-130      [[1, 512, 7, 7]]      [1, 512, 7, 7]         2,048     
      ReLU-111          [[1, 512, 7, 7]]      [1, 512, 7, 7]           0       
   ConvBNLayer-24      [[1, 512, 14, 14]]     [1, 512, 7, 7]           0       
     Conv2D-184         [[1, 512, 7, 7]]     [1, 1024, 7, 7]        524,288    
   BatchNorm2D-131     [[1, 1024, 7, 7]]     [1, 1024, 7, 7]         4,096     
      ReLU-112         [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
   ConvBNLayer-25       [[1, 512, 7, 7]]     [1, 1024, 7, 7]           0       
DepthwiseSeparable-12  [[1, 512, 14, 14]]    [1, 1024, 7, 7]           0       
     Conv2D-185        [[1, 1024, 7, 7]]     [1, 1024, 7, 7]         9,216     
   BatchNorm2D-132     [[1, 1024, 7, 7]]     [1, 1024, 7, 7]         4,096     
      ReLU-113         [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
   ConvBNLayer-26      [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
     Conv2D-186        [[1, 1024, 7, 7]]     [1, 1024, 7, 7]       1,048,576   
   BatchNorm2D-133     [[1, 1024, 7, 7]]     [1, 1024, 7, 7]         4,096     
      ReLU-114         [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
   ConvBNLayer-27      [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
DepthwiseSeparable-13  [[1, 1024, 7, 7]]     [1, 1024, 7, 7]           0       
 AdaptiveAvgPool2D-3   [[1, 1024, 7, 7]]     [1, 1024, 1, 1]           0       
      Linear-3            [[1, 1024]]            [1, 12]            12,300     
=================================================================================
Total params: 3,241,164
Trainable params: 3,197,388
Non-trainable params: 43,776
---------------------------------------------------------------------------------
Input size (MB): 0.57
Forward/backward pass size (MB): 174.57
Params size (MB): 12.36
Estimated Total Size (MB): 187.51
---------------------------------------------------------------------------------
登录后复制
{'total_params': 3241164, 'trainable_params': 3197388}
登录后复制

模型配置：为模型训练做准备，设置优化器，损失函数和精度计算方式

In [ ]
# 调用飞桨框架的VisualDL模块，保存信息到目录中。callback = paddle.callbacks.VisualDL(log_dir='visualdl_log_dir')
登录后复制
In [ ]
model.prepare(optimizer=paddle.optimizer.Adam(
              learning_rate=0.001,
              parameters=model.parameters()),
              loss=paddle.nn.CrossEntropyLoss(),
              metrics=paddle.metric.Accuracy())
登录后复制

模型训练

In [ ]
model.fit(train_dataset,
          val_dataset,
          epochs=10,
          batch_size=32,
          callbacks=callback,
          verbose=1)
登录后复制
Epoch 1/10
登录后复制
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/nn/layer/norm.py:637: UserWarning: When training, we now always track global mean and variance.
  "When training, we now always track global mean and variance.")
登录后复制
step 60/60 [==============================] - loss: 2.2463 - acc: 0.6090 - 294ms/step        
Eval begin...
step 9/9 [==============================] - loss: 0.4193 - acc: 0.6704 - 285ms/step
Eval samples: 270
Epoch 2/10
step 60/60 [==============================] - loss: 1.6789 - acc: 0.8571 - 292ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.3652 - acc: 0.7630 - 280ms/step
Eval samples: 270
Epoch 3/10
step 60/60 [==============================] - loss: 2.7546 - acc: 0.9069 - 301ms/step        
Eval begin...
step 9/9 [==============================] - loss: 0.5788 - acc: 0.7704 - 277ms/step
Eval samples: 270
Epoch 4/10
step 60/60 [==============================] - loss: 2.8266 - acc: 0.9212 - 294ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.0253 - acc: 0.7630 - 289ms/step
Eval samples: 270
Epoch 5/10
step 60/60 [==============================] - loss: 2.9948 - acc: 0.9111 - 298ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.0942 - acc: 0.6963 - 279ms/step
Eval samples: 270
Epoch 6/10
step 60/60 [==============================] - loss: 0.8608 - acc: 0.9101 - 293ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.5086 - acc: 0.7444 - 282ms/step
Eval samples: 270
Epoch 7/10
step 60/60 [==============================] - loss: 2.5132 - acc: 0.9392 - 296ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.0570 - acc: 0.7593 - 276ms/step
Eval samples: 270
Epoch 8/10
step 60/60 [==============================] - loss: 0.8880 - acc: 0.9508 - 298ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.3956 - acc: 0.7111 - 285ms/step
Eval samples: 270
Epoch 9/10
step 60/60 [==============================] - loss: 0.0301 - acc: 0.9370 - 291ms/step        
Eval begin...
step 9/9 [==============================] - loss: 1.6584 - acc: 0.7333 - 280ms/step
Eval samples: 270
Epoch 10/10
step 60/60 [==============================] - loss: 8.0418 - acc: 0.9757 - 294ms/step        
Eval begin...
step 9/9 [==============================] - loss: 0.2750 - acc: 0.7630 - 279ms/step
Eval samples: 270
登录后复制

可视化结果

基于Paddle2.0的猫12分类 - php中文网

启动模型评估，指定数据集，设置日志格式

In [ ]
model.evaluate(val_dataset, verbose=1)
登录后复制
Eval begin...
step 270/270 [==============================] - loss: 1.6444 - acc: 0.7630 - 16ms/step        
Eval samples: 270
登录后复制
{'loss': [1.6443943], 'acc': 0.762962962962963}
登录后复制

启动模型测试，指定测试集

In [ ]
results = model.predict(test_dataset)
登录后复制
Predict begin...
step 240/240 [==============================] - 14ms/step         
Predict samples: 240
登录后复制

预测结果写入csv文件

In [ ]
labels = []for result in results[0]:
    lab = np.argmax(result)
    labels.append(lab)
登录后复制
In [ ]
test_paths = os.listdir('work/cat_12_test')
登录后复制
In [ ]
final_result=[]for i in range(len(labels)):
    final_result.append(test_paths[i] + ',' + str(labels[i]) + '\n')
登录后复制
In [ ]
with open("work/result.csv","w") as f: 
    f.writelines(final_result)
登录后复制

保存模型

In [ ]
model.save('work/model')  # save for training
登录后复制

以上就是基于Paddle2.0的猫12分类的详细内容，更多请关注php中文网其它相关文章！

相关标签：
python ai csv文件 red

大家都在看：

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。

下载
来源：php中文网
收藏 点赞
上一篇：豆包AI安装过程中断如何处理 豆包AI安装恢复操作指南 下一篇：雾象Fogsight— AI动画生成Agent，输入主题生成完整叙事动画
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn
作者最新文章
最新问题
售价8.08万元！宝骏悦也两周年版上市 续航达303km 11月7日，宝骏官方正式推出悦也两周年纪念版车型，新车售价定为8.08万元，提供置换优惠后一口价7.28万元。作为一款小型纯电SUV，该车此次主要推出了“显眼包黄”与“疗愈蓝”两款全新配色，并搭载由广西宁福提供的磷酸铁锂电池，电池容量为28.1kW·h，CLTC工况下续航可达303km。宝骏悦也两周年版据悉，宝骏悦也两周年版车身尺寸为长3381mm、宽1685mm、高1721mm，轴距达2110mm，最小离地间隙为150mm，转弯半径低至4.6m，具备出色的灵活性。储物空间方面，前备厢容积为35
2025-11-07 16:00:27
465
预售价31.8万起！享界S9开启预订 搭载华为ADS 4.0 11月7日，享界汽车正式宣布旗下全新车型——享界S9启动预售。作为一款主打“全景智慧旗舰轿车”定位的新车，其核心亮点聚焦于智能化驾驶系统的全面升级。新车预售价为31.8万元起，即刻预订可享最高达63000元的购车权益。在外观设计上，享界S9采用了全新的“寰宇之星”品牌标识，轮毂中心也同步更换为享界专属LOGO。车身尺寸达到5160mm×2005mm×1492mm，轴距长达3050mm，展现出大气稳重的旗舰风范。尾部配备创新的星云式贯穿尾灯，STELATO字母标识移至尾灯下方，提升整体视觉层次感。
2025-11-07 15:42:02
325
Kosmos— FutureHouse 推出的AI科学家系统 Kosmos是什么Kosmos是由FutureHouse开发的新一代人工智能科研系统，源自其前代自动化研究平台Robin的全面升级。该系统引入了结构化世界模型，具备强大的信息整合能力，单次运行即可分析1500篇学术论文并执行高达42000行代码，处理规模远超当前其他AI系统。Kosmos能在神经科学、材料科学、统计遗传学等多个前沿领域高效完成复杂科研任务，其每日产出相当于人类科学家六个月的工作量，且研究成果的可靠性高达79.4%。此外，系统具备完全可审计性，确保所有研究过程透明、结论
2025-11-07 15:12:01
113
deepseekOCR怎么在线用 deepseek-OCR官方网页版使用方法 想知道如何在线使用强大的 DeepSeek OCR 吗？本篇指南将为您详细介绍其官方网页版的使用方法，从基础操作到高级功能，助您轻松完成各类文字识别任务。首先，请记住它的官方在线使用地址：https://deepseek-ocr.deepseek.com。
2025-11-07 15:06:16
426
deepseekOCR在线PDF识别 deepseekOCR网页版文档文字提取 如何高效地进行在线PDF识别和文档文字提取？DeepSeek OCR的网页版提供了一个强大而免费的解决方案。本文将详细介绍如何利用其网页版（官网地址：https://deepseek-ocr.deepseek.com）轻松完成从PDF及各类文档中提取文字的任务。
2025-11-07 14:53:52
479
deepseekOCR在线识别平台 deepseek-OCR官网免费体验入口 您在寻找 deepseekOCR 在线识别平台的官方免费体验入口吗？该平台的官方网址是 https://deepseek-ocr.deepseek.com。这是一个向所有用户开放的免费在线文字识别工具，它集精准、高效与易用性于一体，能够轻松处理各种复杂的识别任务。
2025-11-07 14:52:18
827
OmniVinci— NVIDIA推出的全模态大语言模型 OmniVinci是什么OmniVinci是由NVIDIA推出的一款全模态大语言模型，专注于处理视觉、听觉、语言及推理等多模态任务。该模型通过创新的OmnialignNet技术实现跨模态语义对齐，利用TemporalEmbeddingGrouping机制解决时序同步难题，并引入ConstrainedRotaryTimeEmbedding来增强时间感知能力。在Dailyomni等基准测试中，其表现优于Qwen2.5等主流模型，尤其在音画同步理解方面展现出卓越性能。仅用0.2万亿tokens完成
2025-11-07 14:52:01
637
deepseekOCR在线使用教程 deepseek-OCR网页版操作指南 想知道如何在线使用强大的DeepSeek OCR吗？本教程将为您提供一份详尽的deepseek-OCR网页版操作指南。它的官方地址是 https://deepseek-ocr.deepseek.com，您可以直接访问开始使用。
2025-11-07 14:50:38
853
相关专题
更多>
热门推荐
开源免费商场系统广告
热门教程
更多>
相关推荐
热门推荐
最新课程
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网：公益在线php培训，帮助PHP学习者快速成长！
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号

  • PHP学习

  • 技术支持

  • 返回顶部