python3深度学习---第五章学习笔记：tensorflow卷积神经网络Conv2D

因为第5章的代码较多，且零散，所以对代码进行了一些调整和归纳，将零散的代码归为函数使用

第一节MNIST的卷积网络实现很简单，因为数据集已经集成在keras里了，而在第二节准备数据集的时候遇到了点小问题，首先书中提供的链接已经不存在了，毕竟是2年前的书了。所以就自己在kaggle上找数据集，而我下载下来的数据集又和书中的不太一样，1、目录结构不一样，2、文件名不规范，而且书中处理数据集的方法有点像命令式的方式，感觉较繁琐，所以自己写了两个函数来处理，这样可以帮助更好的理清思路,建议用GPU跑.   我的是gtx9604G显卡,跑50个epoch需要21分钟左右,虽然不快,但也比CPU好太多,大概是cpu的25倍

 

import os,shutil
#tensorflow本身已集成keras,但也可以额外安装,此步是为了兼容两种情况

try:         
    from keras import layers
    from keras import models
    from keras.preprocessing.image import ImageDataGenerator
    from keras import optimizers
except Exception as e:
    import tensorflow as tf
    layers = tf.keras.layers
    models = tf.keras.models
    ImageDataGenerator = tf.keras.preprocessing.image.ImageDataGenerator
    optimizers = tf.keras.optimizers

import matplotlib.pyplot as plt
 

original_dataset_dir = r'D:\Work\datasets\dogs_vs_cats\train'#原始数据集解压目录
base_dir = r'D:\Work\datasets\cats_and_dogs_small'  #提取的小批量图片的保存目录
def mk_dir(*path):
    try:
        full_path = ''
        for sub_path in path:
            full_path = os.path.join(full_path, sub_path )
        os.makedirs( full_path )#递归创建多层文件夹
        return full_path
    except Exception as e:
        print('创建失败，检查文件夹是否已存在')
        print( full_path )
        return full_path
def copy_img( train_validation_test, dogs_or_cats,how_num ):
    '''
    train_validation_test字符串 ，表示要建立的是训练、验证或者是测试目录
    dogs_or_cats字符串，意思为是狗还是猫
    how_num元组，表示拷贝量从多少到多少,例如0，1000
    '''
    filename = ''.join([dogs_or_cats[:-1] , '.{}.jpg']) #dogs_or_cats[:-1]因为原始文件名是dog.25.jpg这样的,所以要先删除dogs、cats后面的‘s’
    fnames = [ filename.format( str(i) ) for i in range( how_num[0],how_num[1]