实验3：卷积神经网络图像分类

本次实验将完成以下任务：

• 按照 python笔记本深度学习,利用TensorFlow和Keras，自己搭建卷积神经网络完成狗猫数据集的分类实验；将关键步骤用汉语注释出来。解释什么是overfit（过拟合）?什么是数据增强？如果单独只做数据增强，精确率提高了多少？然后再添加的dropout层，是什么实际效果？
• 用Vgg19网络模型完成狗猫分类，写出实验结果；

1 理解卷积神经网络

1.1 搭建环境

首先，检查一下anaconda的版本号，随后创建名为tensorflow的conda环境

conda  --version  //检查Anaconda版本号（安装失败则会提示）
conda create -n tensorflow pip python=3.6  //创建名为tensorflow的conda环境

创建好后，输入activate tensorflow激活环境，如果出现前缀则激活成功

在进入环境的条件下下载Tensorflow的纯CPU版

pip install --ignore-installed --upgrade tensorflow

退出后查看环境，能够看到tensorflow就算成功

安装keras

pip install keras

将环境改为刚才创建的tensorflow,再安装一个jupyter（需要一点时间）

PS:可以在刚才的控制台中添加如下库,添加jupyter_contrib_nbextensions插件

功能：自动补全代码功能+pep8+字体大小+代码行号+拼写检查+目录索引等功能

pip install jupyter_contrib_nbextensions -i https://pypi.douban.com/simple/
jupyter contrib nbextension install --user --skip-running-check

勾了一个hinterland，代码自动补全

1.2 猫狗分析实例

回归题目，新建一个Python3后，引入keras包，查看版本（主要看是否下载成功）

添加如下代码（注意自己训练图片的地址和创建文件夹的地址）

import os, shutil #复制文件
# 原始目录所在的路径
# 数据集未压缩
original_dataset_dir = 'D:\\QQ\\kaggle_Dog&Cat\\train'

# The directory where we will
# store our smaller dataset
base_dir = 'D:\QQ\kaggle_Dog&Cat\\find_cats_and_dogs'
os.mkdir(base_dir)

# # 训练、验证、测试数据集的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir