要说到深度学习图像分类的经典案例之一，那就是猫狗大战了。猫和狗在外观上的差别还是挺明显的，无论是体型、四肢、脸庞和毛发等等， 都是能通过肉眼很容易区分的。那么如何让机器来识别猫和狗呢？网上已经有不少人写过这案例了，我也来尝试下练练手。
作为tensorflow初学的大三学生，本次课程作业的使用猫狗数据集做一个二分类模型。
一，猫狗数据集数目构成
| train | cats:1000 ,dogs:1000 |
|---|---|
| test | cats: 500,dogs:500 |
| validation | cats:500,dogs:500 |
二，数据导入
train_dir = 'Data/train' test_dir = 'Data/test' validation_dir = 'Data/validation' train_datagen = ImageDataGenerator(rescale=1/255, rotation_range=10, width_shift_range=0.2, #图片水平偏移的角度 height_shift_range=0.2, #图片数值偏移的角度 shear_range=0.2, #剪切强度 zoom_range=0.2, #随机缩放的幅度 horizontal_flip=True, #是否进行随机水平翻转 # fill_mode='nearest' ) train_generator = train_datagen.flow_from_directory(train_dir, (224,224),batch_size=1,class_mode='binary',shuffle=False) test_datagen = ImageDataGenerator(rescale=1/255) test_generator = test_datagen.flow_from_directory(test_dir, (224,224),batch_size=1,class_mode='binary',shuffle=True) validation_datagen = ImageDataGenerator(rescale=1/255) validation_generator = validation_datagen.flow_from_directory( validation_dir,(224,224),batch_size=1,class_mode='binary') print(train_datagen) print(test_datagen) print(train_datagen)
三，数据集构建
我这里是将ImageDataGenerator类里的数据提取出来，将数据与标签分别存放在两个列表，后面在转为np.array，也可以使用model.fit_generator，我将数据放在内存为了后续调参数时模型训练能更快读取到数据，不用每次训练一整轮都去读一次数据（应该是这样的…我是这样理解…）
注意我这里的数据集构建后，三种数据都是存放在内存中的，我电脑内存是16g的可以存放下。
train_data=[] train_labels=[] a=0 for data_train, labels_train in train_generator: train_data.append(data_train) train_labels.append(labels_train) a=a+1 if a>1999: break x_train=np.array(train_data) y_train=np.array(train_labels) x_train=x_train.reshape(2000,224,224,3)
test_data=[] test_labels=[] a=0 for data_test, labels_test in test_generator: test_data.append(data_test) test_labels.append(labels_test) a=a+1 if a>999: break x_test=np.array(test_data) y_test=np.array(test_labels) x_test=x_test.reshape(1000,224,224,3)
validation_data=[] validation_labels=[] a=0 for data_validation, labels_validation in validation_generator: validation_data.append(data_validation) validation_labels.append(labels_validation) a=a+1 if a>999: break x_validation=np.array(validation_data) y_validation=np.array(validation_labels) x_validation=x_validation.reshape(1000,224,224,3)
四，模型搭建
model1 = tf.keras.models.Sequential([ # 第一层卷积，卷积核为，共16个，输入为150*150*1 tf.keras.layers.Conv2D(16,(3,3),activation='relu',padding='same',input_shape=(224,224,3)), tf.keras.layers.MaxPooling2D((2,2)), # 第二层卷积，卷积核为3*3，共32个， tf.keras.layers.Conv2D(32,(3,3),activation='relu',padding='same'), tf.keras.layers.MaxPooling2D((2,2)), # 第三层卷积，卷积核为3*3，共64个， tf.keras.layers.Conv2D(64,(3,3),activation='relu',padding='same'), tf.keras.layers.MaxPooling2D((2,2)), # 数据铺平 tf.keras.layers.Flatten(), tf.keras.layers.Dense(64,activation='relu'), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(1,activation='sigmoid') ]) print(model1.summary())
模型summary：
五，模型训练
model1.compile(optimize=tf.keras.optimizers.SGD(0.00001), loss=tf.keras.losses.binary_crossentropy, metrics=['acc']) history1=model1.fit(x_train,y_train, # validation_split=(0~1) 选择一定的比例用于验证集，可被validation_data覆盖 validation_data=(x_validation,y_validation), batch_size=10, shuffle=True, epochs=10) model1.save('cats_and_dogs_plain1.h5') print(history1) 
plt.plot(history1.epoch,history1.history.get('acc'),label='acc') plt.plot(history1.epoch,history1.history.get('val_acc'),label='val_acc') plt.title('正确率') plt.legend() 
可以看到我们的模型泛化能力还是有点差，测试集的acc能达到0.85以上，验证集却在0.65~0.70之前跳动。
六，模型测试
model1.evaluate(x_validation,y_validation)
最后我们的模型在测试集上的正确率为0.67，可以说还不够好，有点过拟合，可能是训练数据不够多，后续可以数据增广或者从验证集、测试集中调取一部分数据用于训练模型，可能效果好一些。
到此这篇关于python之tensorflow手把手实例讲解猫狗识别实现的文章就介绍到这了,更多相关python tensorflow 猫狗识别内容请搜索0133技术站以前的文章或继续浏览下面的相关文章希望大家以后多多支持0133技术站！
以上就是python之tensorflow手把手实例讲解猫狗识别实现的详细内容，更多请关注0133技术站其它相关文章！
