在这里插入图片描述
在这里插入图片描述

01_拆分数据集.py

这个脚本用于将一个大的数据集拆分成训练集、验证集和测试集，并按类别组织存储。具体流程包括：

  1. 获取源目录下的所有类别（子目录）。
  2. 对每个类别，随机打乱其图片文件名列表。
  3. 划分训练集、验证集和测试集。
  4. 复制划分后的文件到相应的目录。

03_算法搭建.py

这个脚本搭建了一个卷积神经网络（CNN）模型，进行训练、验证和测试，并保存最佳和最终的模型。主要流程包括：

  1. 定义CNN模型结构。
  2. 编译模型，设置优化器、损失函数和评估指标。
  3. 使用ImageDataGenerator进行数据增强。
  4. 划分训练、验证和测试数据集。
  5. 定义ModelCheckpoint回调以保存在验证集上表现最佳的模型。
  6. 训练模型，并使用ModelCheckpoint回调保存最佳模型。
  7. 加载最佳模型进行评估。
  8. 绘制损失和准确性曲线。
  9. 保存最终模型。

04_预测.py

这个脚本是一个简单的图像分类器应用，用于加载训练好的CNN模型，刷新界面以显示随机选择的测试集图像，并对这些图像进行分类预测。主要功能包括：

  1. 使用Tkinter创建图像分类器应用界面。
  2. 加载已经训练好的CNN模型。
  3. 刷新界面，显示真实图像和伪造图像的随机选择，以及对它们的分类预测结果。

这三个脚本一起构建了一个完整的图像分类流程，从数据集拆分到模型训练和最终的预测应用。

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

AI应用架构师指南：扩容方案中的配置中心

当你负责的AI应用（比如LLM推理服务、向量检索系统）突然遭遇流量爆炸——从100 QPS飙升到1000 QPS时，你快速扩容了10台GPU服务器。新节点加载了旧版本的模型，导致响应结果不一致；部分节点的GPU显存配置错误，引发OOM崩溃；配置更新延迟了3分钟，期间服务出现大量超时。这些问题的根源不是扩容速度不够快，而是配置管理没有适配AI场景的特殊性。传统配置中心（如Spring Cloud C

avatar 2048 AI社区

提示工程架构师深度解析：AI大模型提示理解偏差与准确性修正策略

要解决提示理解偏差，首先需明确什么是偏差偏差的表现形式，以及问题空间的边界。提示理解偏差（Prompt Comprehension Bias）：大模型对用户输入提示的语义理解与用户预期意图之间的系统性偏离。偏差类型示例后果意图误解用户说“帮我订机票”，模型输出“机票价格查询”任务失败，用户投诉歧义解读“银行”被理解为“金融机构”或“河岸”输出与需求无关信息遗漏长提示中“Q3销售额分析”被忽略输出不

avatar 2048 AI社区

谷歌提示工程架构师深度解析：AI模型可解释性设计的底层逻辑，终于讲清楚了

Interpretability（内在可解释性）：模型本身的结构或输出是“人类可直接理解的”。比如线性模型的系数、决策树的分裂规则——不需要额外工具，你就能看懂模型在“想什么”。Explainability（事后可解释性）：模型本身是“黑盒”，需要用额外的工具或方法，对模型的决策结果进行反向解释。比如用SHAP值解释BERT的文本分类结果，用激活热力图解释CNN的图像识别结果。用线性模型预测房价（

avatar 2048 AI社区