（深度学习）手把手搭建深度学习二分类任务（猫狗识别任务）CNN神经网络，代码直接复制可用，全过程以遇到的问题解答（肯定看得懂系列）

本篇从新手开始，手把手搭建CNN深度学习网络，用于猫狗识别或其他二分类任务，请仔细阅读

1.环境部分

用到的工具

系统：win10
环境部分：anaconda
语言：python3.6
框架：keras
数据：数据集下载点击此处

环境和包的下载以搭建

由于这部分内容比较基础，所以关于anaconda下载安装和环境的创建，以及用的到各种包的下载若不能独立完成，请移步至 /anaconda从零到独立搭建环境（编辑中）/

2.开始实现

1.将数据集加载进来

使用keras中的ImageDataGenerator可以批量加载图片
首先把这个包引入进来

from keras.preprocessing.image import ImageDataGenerator

ImageDataGenerator具有批量加载功能的图片，在设置了加载的路径后可以将数据集中的图片一次全部载入

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
training_set = train_datagen.flow_from_directory('./training_set',target_size=(50,50),batch_size=32,class_mode='binary')

接下来我们来分析代码：
train_datagen = ImageDataGenerator(rescale=1./255)首先使用ImageDataGenerator（）
对图片数据进行预处理，rescale参数表示进行归一化处理
training_set = train_datagen.flow_from_directory(’./training_set’,target_size=(50,50),batch_size=32,class_mode=‘binary’)
之后使用设置好的生成器，调用flow_from_directory（）加载数据，第一个参数是数据集的路径，target_size参数表示将数据集中的图片统一转换成50*50的尺寸，batch_size表示一次性提取多少张图片投入到CNN神经网络中进行计算，class_mode表示本任务是一个二分类任务

2.搭建CNN神经网络模型

本篇CNN模型采用：
两层的卷积层和两层的池化层
之后使用Flatten进行转换
然后仅有一个128个神经元的全连接层
输出层是一个神经元的二分类模型

#建立CNN模型
from keras.models import Sequential
from keras.layers import Conv2D, MaxPool2D, Flatten,Dense
model = Sequential()
#卷积层
model.add(Conv2D(32,(3,3), input_shape=(50,50,3), activation='relu'))
#池化层
model.add(MaxPool2D(pool_size=(2,2)))
#卷积层
model.add(Conv2D(32,(3,3), activation='relu'))
#池化层
model.add(MaxPool2D(pool_size=(2,2)))
#Flatten
model.add(Flatten())
#全连接层
model.add(Dense(units=128, activation='relu'))
#输出层
model.add(Dense(units=1, activation='sigmoid'))

首先导入 keras中的Sequential ， 可以理解为这是一个空的模型结构，需要我们向其中添加卷积层Conv2D， 池化层MaxPool2D， Flatten层Flatten， 全连接层Dense
接下来我们来分析代码：
model = Sequential() 初始化模型，这没什么好说的
model.add(Conv2D(32,(3,3), input_shape=(50,50,3), activation=‘relu’))
这是第一层卷积层，Conv2D(）
表示添加一个卷积层到模型中。参数表示：32个33的卷积层，input_shape表示输入数据的维度，由于在之前我们已经把载入的数据集尺寸设置成了5050，所以这里的参数表示输入维度为50503的数据，3表示图片是彩色的，具有RGB三个维度，activation使用relu参数
model.add(MaxPool2D(pool_size=(2,2)))
这是第一个池化层，也是模型的第二层，MaxPool2D（）表示为最大值的池化层
pool_size参数表示 池化层是一个2*2的尺寸
model.add(Conv2D(32,(3,3), activation=‘relu’))
model.add(MaxPool2D(pool_size=(2,2)))
这两行代码表示如上图，这个模型是具有两层卷积层和池化层的，所以我们再添加一遍，因为不是第一层，所以不需要input_shape参数

3.CNN神经网络模型其他参数设置

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()

接下来我们来分析代码：
model.compile(optimizer=‘adam’, loss=‘binary_crossentropy’, metrics=[‘accuracy’])
compile是每一个模型都需要设置参数
optimizer=‘adam’ 表示使用adam的优化器
loss=‘binary_crossentropy’ 表示损失参数使用二分类的损失函数，binary_crossentropy
metrics=[‘accuracy’] 的功能是 每次训练后使用准确率进行评估并打印出来，用于直观的观察模型运行情况
model.summary()
在一条代码可以打印出模型的结构，如图：

4.训练模型

model.fit_generator(training_set, epochs=25)

接下来我们来分析代码：
model.fit_generator(training_set, epochs=25)
由于数据集图片是使用的ImageDataGenerator生成的，所以再训练的时候需要使用fit_generator（），而不是fit（）
第一个参数表示加载进来数据集
epochs=25表示整个模型一共训练25层
训练过程如图：

3.计算准确率

accuracy_train = model.evaluate_generator(training_set)
print(accuracy_train)

接下来我们来分析代码：
accuracy_train = model.evaluate_generator(test_set)
采用同样的方式，载入训练数据集test_set，直接放到evaluate_generator（）中，便可以自动计算准确率

如图，我们可以看到在测试数据集上，准确率只有76%，但是看上图，训练数据集的准确率达到了1 所以这是一个过拟合模型，我们可以通过调整模型的训练次数解决这个问题

4.使用网上随便找的图片来测试模型

from keras.preprocessing.image import load_img, img_to_array
pic_cat_test = 'cat_test.jpg'
pic_cat_test = load_img(pic_cat_test, target_size=(50,50))
pic_cat_test = img_to_array(pic_cat_test)
pic_cat_test = pic_cat_test/255
pic_cat_test = pic_cat_test.reshape(1,50,50,3)
#调用模型
result = model.predict_classes(pic_cat_test)
print(result)

pic_dog_test = 'dog_test.jpg'
pic_dog_test = load_img(pic_dog_test, target_size=(50,50))
pic_dog_test = img_to_array(pic_dog_test)
pic_dog_test = pic_dog_test/255
pic_dog_test = pic_dog_test.reshape(1,50,50,3)
#调用模型
result = model.predict_classes(pic_dog_test)
print(result)

接下来我们来分析代码：
from keras.preprocessing.image import load_img, img_to_array
与上面一次性加载全部图片数据不同，这里由于是使用网上下载的单张图片进行测试，所以使用load_img, img_to_array
pic_cat_test = 'cat_test.jpg’
首先还是设置好图片的路径和名字
pic_cat_test = load_img(pic_cat_test, target_size=(50,50))
使用load_img（）进行图片加载，第一个参数将刚才设置好的路径放进来，target_size（）和训练时一样，设置成50*50的图片尺寸
pic_cat_test = pic_cat_test/255
别忘了我们对训练图片进行了归一化处理，所以再输入模型前，我们也需要将这张图片进行归一化
pic_cat_test = pic_cat_test.reshape(1,50,50,3)
由于这是一次只加载一张图片，所以我们需要手动给图片添加一个用于计算的维度
result = model.predict_classes(pic_cat_test)
调用我们训练好的模型对单张图片进行载入
返回值为0，1 根据数据集可知，0表示猫，1表示够
运行上面的代码
如图：

第一个是猫，第二个是狗。正如我们调用的顺序一样

5.遇到的问题解决

在模型训练代码执行时，我们可能会遇到

could not import PIL.Image. 的错误

这是需要使用

pip install pillow

下载pillow包，并且在训练数据代码前添加

from IPython.display import display
from PIL import Image

最后重启环境就可以解决问题