深度学习-使用tensorflow实现猫狗识别

最新推荐文章于 2025-05-26 14:09:55 发布

寻风浪

最新推荐文章于 2025-05-26 14:09:55 发布

阅读量1.3w

点赞数 19

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：图像分类猫狗大战深度学习 python tensorflow

本文链接：https://blog.csdn.net/banaoxie0070/article/details/96729070

本文介绍了使用深度学习进行猫狗图像识别的过程，包括数据集准备、卷积神经网络（CNN）的编写、TensorFlow计算图的搭建、模型训练与测试。通过1万步训练后，模型在测试集上达到0.82的平均准确率。最后展示了模型的分类结果，并指出可通过优化网络参数、学习率和图像增强等技术提高识别准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近一直在撸猫，为了猫主子的事情忧三愁四，皱纹多了不少，头发也掉了好几根，神态也多了几分忧郁，唯一不变的还是那份闲鱼的懒散和浪荡的心。

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？这就需要使用卷积神经网络来实现了。

网上已经有不少人写过这案例了，我也来尝试下练练手。

完整代码：https://github.com/ADlead/Dogs-Cats.git

一. 数据集的准备

猫狗照片的数据集直接从kaggle官网(https://www.kaggle.com/c/dogs-vs-cats)下载即可，下载后解压，可以看到有训练集和测试集
在这里插入图片描述
train文件夹内容如下：

test1文件夹内容如下：

编写代码将图片存储成batch文件

import cv2 as cv
import os
import numpy as np
import random
import pickle
import time

start_time = time.time()

data_dir = './data'
batch_save_path = './batch_files'

# 创建batch文件存储的文件夹
os.makedirs(batch_save_path, exist_ok=True)

# 图片统一大小：100 * 100
# 训练集 20000：100个batch文件，每个文件200张图片
# 验证集 5000：一个测试文件，测试时 50张 x 100 批次

# 进入图片数据的目录，读取图片信息
all_data_files = os.listdir(os.path.join(data_dir, 'train/'))

# print(all_data_files)

# 打算数据的顺序
random.shuffle(all_data_files)

all_train_files = all_data_files[:20000]
all_test_files = all_data_files[20000:]

train_data = []
train_label = []
train_filenames = []

test_data = []
te