CNN神经网络猫狗分类经典案例(1)

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:

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()

更多Android高级工程师进阶学习资料

进阶学习视频

附上：我们之前因为秋招收集的二十套一二线互联网公司Android面试真题（含BAT、小米、华为、美团、滴滴）和我自己整理Android复习笔记（包含Android基础知识点、Android扩展知识点、Android源码解析、设计模式汇总、Gradle知识点、常见算法题汇总。）

里面包含不同方向的自学编程路线、面试题集合/面经、及系列技术文章等，资源持续更新中…
《Android学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》，点击传送门，即可获取！
团、滴滴）和我自己整理Android复习笔记（包含Android基础知识点、Android扩展知识点、Android源码解析、设计模式汇总、Gradle知识点、常见算法题汇总。）

[外链图片转存中…(img-WpKHv8LX-1714659969506)]

里面包含不同方向的自学编程路线、面试题集合/面经、及系列技术文章等，资源持续更新中…
《Android学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》，点击传送门，即可获取！