房产网签怎么查询_旅游网站建设的意义_互联网营销顾问是做什么的_今日重大新闻

1. 数据集的准备

猫狗识别的数据集依旧可以从Kaggle上下载，数据集下载链接：
https://www.kaggle.com/c/dogs-vs-cats

下载后解压，得到如下的文件夹

文件夹train里面放着25000张图像，猫和狗的图像分别都是12500张，图像名称上都有标明类别。文件夹test1里面放的是测试集，里面有12500张图像，都没有标签，要自己来预测分类。

把数据集目录整理成如下的形式

文件夹test1不变，新建一个文件夹validation，在文件夹train中分别拿出猫和狗的图像各2500张，存到文件夹validation中。文件夹train和validation内都要新建文件夹cat和dog，分别把猫和狗的图像都存到对应文件夹中。

这时候数据集目录结构如下

2. 数据集的导入

在训练前，先导入训练集和验证集。使用keras.preprocessing.image.ImageDataGenerator()做图像增强的数据预处理设置，再使用flow_from_directory()从文件路径中导入数据集，并设置图像大小、batch_size和是否shuffle等参数。

train_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255,rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest',)train_generator = train_datagen.flow_from_directory(train_dir,target_size=(width, height),batch_size=batch_size,seed=7,shuffle=True,class_mode='categorical')valid_datagen = keras.preprocessing.image.ImageDataGenerator(rescale=1. / 255,)valid_generator = valid_datagen.flow_from_directory(valid_dir,target_size=(width, height),batch_size=valid_batch_size,seed=7,shuffle=False,class_mode="categorical")

3. 编写神经网络结构

编写一个非常基础的卷积神经网络

model = keras.models.Sequential([keras.layers.Conv2D(filters=32, kernel_size=3,padding='same', activation='relu',input_shape=[width, height, channel]),keras.layers.Conv2D(filters=32, kernel_size=3,padding='same', activation='relu'),keras.layers.MaxPool2D(pool_size=2),keras.layers.Conv2D(filters=64, kernel_size=3,padding='same', activation='relu'),keras.layers.Conv2D(filters=64, kernel_size=3,padding='same', activation='relu'),keras.layers.MaxPool2D(pool_size=2),keras.layers.Conv2D(filters=128, kernel_size=3,padding='same', activation='relu'),keras.layers.Conv2D(filters=128, kernel_size=3,padding='same', activation='relu'),keras.layers.MaxPool2D(pool_size=2),keras.layers.Flatten(),keras.layers.Dense(128, activation='relu'),keras.layers.Dense(num_classes, activation='softmax')])model.compile(loss='categorical_crossentropy',optimizer='adam', metrics=['accuracy'])model.summary()

优化器使用adam，损失函数使用'categorical_crossentropy' ，metrics参数填入accuracy，评估模型在训练和测试过程中的准确率。

4. 模型训练

训练模型，设置callbacks，使用model.fit() 开始训练。

callbacks = [keras.callbacks.TensorBoard(logdir),keras.callbacks.ModelCheckpoint(output_model_file,save_best_only=True,save_weights_only=True),keras.callbacks.EarlyStopping(patience=5, min_delta=1e-3)]
history = model.fit(train_generator,epochs=epochs,validation_data = valid_generator,callbacks = callbacks)

训练100步，看看效果。