用深度学习卷积神经网络实现图像识别之猫狗大战

猫狗大战

• 顾名思义，就是实现猫和狗的分类问题
• 数据集图像是大小不一的
• 数据集图像是彩色的

实现思路

• 处理数据集时，要对图像的大小进行统一缩放
• 将图片读取为像素矩阵，并转为卷积神经网络可以识别的形状
• 构建卷积神经网络，有卷积，有池化，有全连接
• 构建代价函数
• 构建优化器
• 迭代求出预测准确率

数据集

形如上述所示，共计25000张图片，这里做示范选取猫狗各500张。

代码实现

import tensorflow as tf
import numpy as np
import os
import cv2
import random

# 设置随机种子。（5分）
tf.set_random_seed(1)

# 猫狗数据文件夹路径
data_dir = r'data'


# 调用该方法，获取文件夹中猫狗的像素矩阵为数据，并为每条数据添加标签
def load_data(data_dir):
    # 存放所有图片像素矩阵数据
    data_all = []
    # 存放其对应的标签
    labels_all = []
    # i 为每个图片数据的名字
    for i in os.listdir(data_dir):
        # 拼接路径 保证cv2读取正确
        img = cv2.imread(os.path.join(data_dir, i))
        # 将读取到的大小不一的图像进行统一缩放
        img = cv2.resize(img, dsize=(128, 128))
        # 转为数字矩阵
        img_array = np.asarray(img)
        img_array = np.reshape(img_array, (3, 128, 128))
        # 直接对数据进行归一化
        img_array = img_array / 127.5 - 1
        # 将这个数据存放进列表
        data_all.append(img_array)
        # 因为图片的名字为'cat.1.jpg'等类型，所以对名字进行切割，选择第一部分，既是其对应的类型
        label = i.split('.')[0]
        # 将对应的类型，转为0,1,作0,1分类
        if label == 'cat':
            labels_all.append(1)
        else:
            labels_all.append(0)
    # 将列表作为转为数组
    data_all