花卉识别程序+数据集

亲测可以直接运行，先运行CNN训练神经网络，再运行predict进行花卉预测。

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
from skimage import iotransform
import glob
import os
import tensorflow as tf
import numpy as np
import time

#数据集地址
path=‘C:\\Users\litan\Desktop\ise\CNN\elower_photos\elower_photos/‘
#模型保存地址
model_path=‘C:\\Users\litan\Desktop\ise\CNN\model.ckpt‘

#将所有的图片resize成100*100
w=100
h=100
c=3


#读取图片
def read_img（path）:
    cate=[path+x for x in os.listdir（path） if os.path.isdir（path+x）]
    imgs=[]
    labels=[]
    for idxfolder in enumerate（cate）:
        for im in glob.glob（folder+‘/*.jpg‘）:
            print（‘reading the images:%s‘%（im））
            img=io.imread（im）
            img=transform.resize（img（wh））
            imgs.append（img）
            labels.append（idx）
    return np.asarray（imgsnp.float32）np.asarray（labelsnp.int32）
datalabel=read_img（path）


#打乱顺序
num_example=data.shape[0]
arr=np.arange（num_example）
np.random.shuffle（arr）
data=data[arr]
label=label[arr]


#将所有数据分为训练集和验证集
ratio=0.8
s=np.int（num_example*ratio）
x_train=data[:s]
y_train=label[:s]
x_val=data[s:]
y_val=label[s:]

#-----------------构建网络----------------------
#占位符
x=tf.placeholder（tf.float32shape=[Nonewhc]name=‘x‘）
y_=tf.placeholder（tf.int32shape=[None]name=‘y_‘）

def inference（input_tensor train regularizer）:
    with tf.variable_scope（‘layer1-conv1‘）:
        conv1_weights = tf.get_variable（“weight“[55332]initializer=tf.truncated_normal_initializer（stddev=0.1））
        conv1_biases = tf.get_variable（“bias“ [32] initializer=tf.constant_initializer（0.0））
        conv1 = tf.nn.conv2d（input_tensor conv1_weights strides=[1 1 1 1] padding=‘SAME‘）
        relu1 = tf.nn.relu（tf.nn.bias_add（conv1 conv1_biases））

    with tf.name_scope（“layer2-pool1“）:
        pool1 = tf.nn.max_pool（relu1 ksize = [1221]strides=[1221]padding=“VALID“）

    with tf.variable_scope（“layer3-conv2“）:
        conv2_weights = tf.get_variable（“weight“[553264]initializer=tf.truncated_normal_initializer（stddev=0.1））
        conv2_biases = tf.get_variable（“bias“ [64] initializer=tf.constant_initializer（0.0））
        conv2 = tf.nn.conv2d（pool1 conv2_weights strides=[1 1 1 1] padding=‘SAME‘）
        relu2 = tf.nn.relu（tf.nn.bias_add（conv2 conv2_biases））

    with tf.name_scope（“layer4-pool2“）:
        pool2 = tf.nn.max_pool（relu2 ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘VALID‘）

    with tf.variable_scope（“layer5-conv3“）:
        conv3_weights = tf.get_variable（“weight“[3364128]initializer=tf.truncated_normal_initializer（stddev=0.1））
        conv3_biases = tf.get_variable（“bias“ [128] initializer=tf.constant_initializer（0.0））
        conv3 = tf.nn.conv2d（pool2 conv3_weights strides=[1 1 1 1] padding=‘SAME‘）
        relu3 = tf.nn.relu（tf.nn.bias_add（conv3 conv3_biases））

    with tf.name_scope（“layer6-pool3“）:
        pool3 = tf.nn.max_pool（relu3 ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘VALID‘）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-04-01 23:40  花卉识别\
     文件        7558  2018-11-15 00:09  花卉识别\cnn.py
     文件      112658  2019-01-15 23:04  花卉识别\model.ckpt.meta
     文件        2010  2018-11-15 01:11  花卉识别\predict.py
     文件         116  2019-04-01 23:42  花卉识别\数据集下载地址.txt