python中tensorflow如何实现解猫狗识别功能

这篇文章主要介绍了python中tensorflow如何实现解猫狗识别功能，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

一，猫狗数据集数目构成

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=0for data_train, labels_train in train_generator:    train_data.append(data_train)    train_labels.append(labels_train)    a=a+1    if a>1999:        breakx_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=0for data_test, labels_test in test_generator:    test_data.append(data_test)    test_labels.append(labels_test)    a=a+1    if a>999:        breakx_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=0for data_validation, labels_validation in validation_generator:    validation_data.append(data_validation)    validation_labels.append(labels_validation)    a=a+1    if a>999:        breakx_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.h6')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。

感谢你能够认真阅读完这篇文章，希望小编分享的"python中tensorflow如何实现解猫狗识别功能"这篇文章对大家有帮助，同时也希望大家多多支持，关注行业资讯频道，更多相关知识等着你来学习!