使用python构建卷积神经网络实现猫狗的分类问题

本文介绍了如何使用Python和PyTorch构建卷积神经网络来解决猫狗分类问题。从导入数据集到构建并训练模型,详细阐述了每个步骤,最终展示训练结果。
摘要由CSDN通过智能技术生成

使用python构建卷积神经网络实现猫狗的分类问题

需求:使用卷积神经网络实现猫狗的二分类问题。
使用的语言:python
使用的工具:pytorch、pyCharm
数据集:链接:https://pan.baidu.com/s/1zfPFfmAjQ6ERJSQ4zEQHbw
提取码:vkk5

1、导入数据集

# 导入包
import os		# 用于当前文件
# 用于构建神经网络
import torch		
from torch import nn, optim	
from torch.nn import functional as F
from torch.utils import data
from torchvision import datasets
from torchvision import transforms

ImageSize = 224     # 定义图片大小
train_dir = './train/'    # 定义训练集存储路径
test_dir = './test/'    # 定义测试集存储路径
# 定义数据集预处理方法
data_transform = transforms.Compose([
    transforms.Resize((ImageSize, ImageSize)),    # 重新调整图片大小
    transforms.ToTensor(),       # 将图片转换为Tensor数组
    transforms.Normalize((0.1307,), (0.3081,))		# 归一化操作
])

# datasets.ImageFolder(dir, transform):导入数据集
# dir:数据集存储路径
# transform:数据集预处理方法
datasets_train = dataset
  • 1
    点赞
  • 45
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,以下是使用卷积神经网络实现分类任务的代码示例: ```python import tensorflow as tf from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense from tensorflow.keras.models import Sequential from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置训练集和测试集的路径 train_dir = 'path/to/training/dataset' test_dir = 'path/to/testing/dataset' # 设置图像的大小和批次大小 img_height, img_width = 150, 150 batch_size = 32 # 创建数据生成器 train_datagen = ImageDataGenerator(rescale=1./255) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( train_dir, target_size=(img_height, img_width), batch_size=batch_size, class_mode='binary') test_generator = test_datagen.flow_from_directory( test_dir, target_size=(img_height, img_width), batch_size=batch_size, class_mode='binary') # 构建卷积神经网络模型 model = Sequential([ Conv2D(32, (3,3), activation='relu', input_shape=(img_height, img_width, 3)), MaxPooling2D((2,2)), Conv2D(64, (3,3), activation='relu'), MaxPooling2D((2,2)), Conv2D(128, (3,3), activation='relu'), MaxPooling2D((2,2)), Conv2D(128, (3,3), activation='relu'), MaxPooling2D((2,2)), Flatten(), Dense(512, activation='relu'), Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_generator, epochs=10, validation_data=test_generator) # 评估模型 test_loss, test_acc = model.evaluate(test_generator) print('Test accuracy:', test_acc) ``` 需要注意的是,这是一个简单的示例代码,实际应用中可能需要更加复杂的网络结构和更多的训练参数来提高模型的性能。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值