深度学习入门一阶段demo练习：利用深度学习框架，搭建自定义卷积神经网络，在本地的imageNet数据集上实现图像分类，要求准确率达到70%以上。（注：本任务主要练习本地数据集的读取）

根据个人经验总结的深度学习入门路线（简单快速）
https://blog.csdn.net/weixin_44414948/article/details/109704871

深度学习入门一阶段demo练习：
https://blog.csdn.net/weixin_44414948/article/details/109864551

demo任务：

利用深度学习框架（TensorFlow2.0及以上版本、pytorch1.0及以上版本），搭建自定义卷积神经网络，在本地下载好的imageNet数据集上实现图像分类，要求准确率达到70%以上。（注：本任务主要练习本地数据集的读取。）

本次图像分类选用mini-imagenet数据集，图片类别为：
n01558993xxxxxxxx
n03417042xxxxxxxx
n02089867xxxxxxxx
n02129165xxxxxxxx
n04515003xxxxxxxx
各600张图片。在/data文件夹下创建5个以类别为名称的文件夹’bird’,‘car’,‘dog’,‘lion’,‘piano’， 将每一类图片放在所属文件下。

示例代码：

本地imageNet数据集读取并保存为numpy的.npz压缩格式

import glob
import os 
import cv2
import numpy as np
import random
import tensorflow as tf
from tensorflow import keras
 
tf.random.set_seed(2222)
np.random.seed(2222)
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
assert tf.__version__.startswith('2.')
 
def Data_Generation():
    X_data=[];Y_data=[]
    path_data=[];path_label=[]
 
   
    files=os.listdir('data')
    
    for file in files:
        print(file)
        for path in glob.glob('data