通过使用很少的数据创建一个强大的图片分类器模型

• 从头开始训练一个小型网络

• 使用一个预训练的模型

• 微调预先训练好的模型顶层

• 这需要以下几个Keras功能：

• fit_generator用于使用Python数据生成器来训练Keras模型

• ImageDataGenerator 用于实施数据增强

• 模型微调和层冻结

• …更多

你需要Keras2.0或更高

#2000张训练图（1000每类）#

类别只有猫狗

• Keras环境
• 类似于这样的目录结构

data/
    train/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...
    validation/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...

图片下载链接
国内无法访问

我们使用这里的数据集：
Kaggle图片集
需要1000只猫1000只狗，而数据集里有12500只猫12500只狗，只要选出1000就好。还需要400个额外的验证数据集，去评估我们的模型。

这其实是很少的数据对一个分类问题。

##关于深度学习对于小数据问题的相关性##
我们常常听到的一个信息是“深度学习只有当你拥有大量的数据时才有意义”。虽然这是有道理的，但也不完全对。特别对于图片这种高维度来说，深度学习要识别他们的特征需要大量的数据。然而，卷积神经网络-深度学习的算法支柱-被设计为一个“感知”问题（例如图像分类）的最佳模型之一。

##数据预处理和数据增强##
为了充分利用我们为数不多的训练实例，我们将通过一些