from keras import optimizers
from keras.models import load_model
train_dir = ‘./data/train/’
validation_dir = ‘./data/validation/’
model_file_name = ‘cat_dog_model.h5’
def init_model():
model = models.Sequential()
KERNEL_SIZE = (3, 3)
model.add(layers.Conv2D(filters=32, kernel_size=KERNEL_SIZE, activation=‘relu’, input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(filters=64, kernel_size=KERNEL_SIZE, activation=‘relu’))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(filters=128, kernel_size=KERNEL_SIZE, activation=‘relu’))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(filters=128, kernel_size=KERNEL_SIZE, activation=‘relu’))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(512, activation=‘relu’))
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:
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)
![](https://img-blog.csdnimg.cn/img_convert/260ced426e3fdfa5a894876810e63e85.jpeg)
题外话
不管怎么样,不论是什么样的大小面试,要想不被面试官虐的不要不要的,只有刷爆面试题题做好全面的准备,当然除了这个还需要在平时把自己的基础打扎实,这样不论面试官怎么样一个知识点里往死里凿,你也能应付如流啊
这里我为大家准备了一些我工作以来以及参与过的大大小小的面试收集总结出来的一套进阶学习的视频及面试专题资料包,主要还是希望大家在如今大环境不好的情况下面试能够顺利一点,希望可以帮助到大家~
欢迎评论区讨论。
《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!
能应付如流啊**
这里我为大家准备了一些我工作以来以及参与过的大大小小的面试收集总结出来的一套进阶学习的视频及面试专题资料包,主要还是希望大家在如今大环境不好的情况下面试能够顺利一点,希望可以帮助到大家~
[外链图片转存中…(img-SxtXnSVY-1712483994528)]
欢迎评论区讨论。
《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!