基于Keras的CNN模型做猫狗分类

最新推荐文章于 2023-03-20 02:00:03 发布

Li Yiyang

最新推荐文章于 2023-03-20 02:00:03 发布

阅读量1.5k

点赞数 2

分类专栏：机器学习文章标签： keras 深度学习

本文链接：https://blog.csdn.net/weixin_42276254/article/details/95001276

版权

这篇博客通过Keras构建了一个CNN模型，用于猫狗图像的分类。首先，从Kaggle下载数据并进行预处理。然后，创建并训练了一个CNN模型，最终在训练集和测试集上达到了70%的准确率。作者还进行了参数调整，以提高模型性能，并展示了如何使用模型进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

选择了猫狗分类这个不是很困难的例子来做CNN的demo，数据可从kaggle下载：
kaggle Dogs vs Cats

猫狗数据各有12500张训练数据即25000张，每张图片前三个字母为cat或者dog，可以此作为分类。测试共有12500张，测试数据没有进行分类。

先对数据进行预处理操作：

import os
import shutil

file_names = os.listdir('./train/')
train_cats = filter(lambda x:x[:3]=='cat',file_names)
train_dogs = filter(lambda x:x[:3]=='dog',file_names)
def createDir(path):
    if not os.path.exists(path):
        try:
            os.makedirs(path)
        except:
            print("创建文件夹失败")
            exit(1)
createDir('./train_data')
createDir('./train_data/cats')
createDir('./train_data/dogs')
cats = list(train_cats)
dogs = list(train_dogs)
for cat in cats[:5000]:
    shutil.move('./train/'+cat,'./train_data/cats/')
print(' 猫猫操作成功!')
for dog in dogs[: