使用CNN模型实现猫狗分类

远方2.0

于 2024-12-17 09:59:50 发布

阅读量705

点赞数 17

CC 4.0 BY-SA版权

文章标签： cnn 分类人工智能

本文链接：https://blog.csdn.net/qq_56997043/article/details/144526252

深度学习：从原理到实际应用

在数学和技术日日逼近的环境中，深度学习（Deep Learning）已成为视频识别、语音识别、自动驾驶以及各类智能应用的核心技术。此文将为您解释深度学习的基本原理、综视实际应用，并分享一些学习路径和最新动态。

一、什么是深度学习？

深度学习是一种模仿人脑过程学习的技术，它将若干层的神经网络（Neural Networks）进行组合，通过大量的数据学习，实现对实际问题的解决。

二、神经网络模型和实例

1. 神经网络的基本原理

神经网络由输入层、隐藏层和输出层组成，每一层通过权值和函数进行计算，最终生成输出。

2. 实现示例：使用CNN模型实现猫狗分类

以下是一个基于深度学习的猫狗图像分类实现，采用CNN（即捲积神经网络）进行定类。

步骤：

源数据集准备： 可以使用Kaggle的猫狗图像数据集，该数据集可以在Kaggle官方网站下载（点击这里获取数据集）。如果没有Kaggle账号，也可以考虑使用测试性的工具包或其他公开图像数据源。
安装相关库：
```
pip install tensorflow keras
```

程序实现：

使用Keras和使用Keras和\uTensorFlow构建模型。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 模型建立
model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(32, (3,3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 数据预处理
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size=(64, 64),
                                                 batch_size=32,
                                                 class_mode='binary')
test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size=(64, 64),
                                            batch_size=32,
                                            class_mode='binary')

# 训练模型
model.fit(training_set, epochs=10, validation_data=test_set)

# 测试模型
model.save('cat_dog_classifier.h5')