Keras学习笔记---基于深度学习的猫狗分类器练习

为了复习巩固刚学过的知识，在这里做一些简单的笔记。
在这里将使用Kaggle数据平台中2013年的dogs-vs-cats数据集中的很少一部分作为训练集和测试集，在2013年的计算视觉比赛中，当时还未出现主流卷积神经网络算法，但当年结果最优之一者就是使用了卷积神经网络取得了95%的精度，所以用来实验卷积神经网络是个不错的选择。这里为了单纯实验模型，所以降低数据计算量，只采用2000张数据图像，Kaggle数据平台公开有25000张。主要实验两部分：一是只靠原始数据训练模型，得到精度大概为72%，保存为模型1。第二采用数据增强、Dropout、正则化等技术，降低过拟合，可以取得82%的精度，保存为模型2。
具体步骤：
1：数据集下载地址：https://www.kaggle.com/salader/dogs-vs-cats 压缩包大概545M
2：新建文件夹kaggle_original_data存放数据集，将下载下来的数据解压后保存到这个文件夹中。注意，下载的数据是别人分好训练集和测试集的，所以要把子文件中所有图像都复制到kaggle_original_data文件夹中，不要子文件夹。
3：选择2000张图像构建自己的训练集、验证集、测试集，程序中的路径注意修改为自己的就行，文件夹会自动创建。

import keras
keras.__version__
import os, shutil
# The path to the directory where the original
# dataset was uncompressed
original_dataset_dir = r'E:\CJ_Data\deeplearning5_2\kaggle_original_data'

# The directory where we will
# store our smaller dataset
base_dir = r'E:\CJ_Data\deeplearning5_2\cats_and_dogs_small'
os.mkdir(base_dir)

# Directories for our training,
# validation and test splits
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)