CNN神经网络猫狗分类经典案例(1)，安卓高级开发面试题

model.add(Dropout(0.5))

model.add(layers.Dense(1, activation=‘sigmoid’))

model.compile(loss=‘binary_crossentropy’,

optimizer=optimizers.RMSprop(lr=1e-3),

metrics=[‘accuracy’])

return model

def fig_loss(history):

history_dict = history.history

loss_values = history_dict[‘loss’]

val_loss_values = history_dict[‘val_loss’]

epochs = range(1, len(loss_values) + 1)

plt.plot(epochs, loss_values, ‘b’, label=‘Training loss’)

plt.plot(epochs, val_loss_values, ‘r’, label=‘Validation loss’)

plt.title(‘Training and validation loss’)

plt.xlabel(‘Epochs’)

plt.ylabel(‘Loss’)

plt.legend()

plt.grid()

plt.show()

def fig_acc(history):

history_dict = history.history

acc = history_dict[‘accuracy’]

val_acc = history_dict[‘val_accuracy’]

epochs = range(1, len(acc) + 1)

plt.plot(epochs, acc, ‘g’, label=‘Training acc’)

plt.plot(epochs, val_acc, ‘r’, label=‘Validation acc’)

plt.title(‘Training and validation accuracy’)

plt.xlabel(‘Epochs’)

plt.ylabel(‘Accuracy’)

plt.legend()

plt.grid()

plt.show()

def fit(model):

train_datagen = ImageDataGenerator(rescale=1. / 255)

validation_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(

train_dir,

target_size=(150, 150),

batch_size=256,

class_mode=‘binary’)

validation_generator = validation_datagen.flow_from_directory(

validation_dir,

target_size=(150, 150),

batch_size=64,

class_mode=‘binary’)

history = model.fit_generator(

train_generator,

steps_per_epoch=,

epochs=10,

validation_data=validation_generator,

validation_steps=,

)

model.save(model_file_name)

fig_loss(history)

fig_acc(history)

def predict():

model = load_model(model_file_name)

print(model.summary())

img_path = ‘./data/test/cat/cat.4021.jpg’

img = image.load_img(img_path, target_size=(150, 150))

img_tensor = image.img_to_array(img)

img_tensor = img_tensor / 255

img_tensor = np.expand_dims(img_tensor, axis=0)

其形状为 (1, 150, 150, 3)

plt.imshow(img_tensor[0])

plt.show()

result = model.predict(img_tensor)

print(result)

画出count个预测结果和图像

def fig_predict_result(model, count):

test_datagen = ImageDataGenerator(rescale=1. / 255)

test_generator = test_datagen.flow_from_directory(

‘./data/test/’,

target_size=(150, 150),

batch_size=256,

class_mode=‘binary’)

text_labels = []

plt.figure(figsize=(30, 20))

迭代器可以迭代很多条数据，但我这里只取第一个结果看看

for batch, label in test_generator:

pred = model.predict(batch)

for i in range(count):

true_reuslt = label[i]

print(true_reuslt)

if pred[i] > 0.5:

text_labels.append(‘dog’)

else:

text_labels.append(‘cat’)

4列，若干行的图

plt.subplot(count / 4 + 1, 4, i + 1)

plt.title('This is a ’ + text_labels[i])

imgplot = plt.imshow(batch[i])

plt.show()

可以接着画很多，但是只是随机看看几条结果。所以这里停下来。

break

if name == ‘main’:

model = init_model()

fit(model)

利用训练好的模型预测结果。

predict()

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则近万的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Android移动开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Android开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注：Android）

最后

**要想成为高级安卓工程师，必须掌握许多基础的知识。**在工作中，这些原理可以极大的帮助我们理解技术，在面试中，更是可以帮助我们应对大厂面试官的刁难。

---

《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！

**要想成为高级安卓工程师，必须掌握许多基础的知识。**在工作中，这些原理可以极大的帮助我们理解技术，在面试中，更是可以帮助我们应对大厂面试官的刁难。

---

[外链图片转存中…(img-LN0Rc6Sk-1712483962889)]

[外链图片转存中…(img-lOgBfVLF-1712483962890)]

《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！