⽤Python做了⼀个猫狗识别系统~
导语
哈喽吖铁汁萌~今天来教⼤家写个猫狗识别系统
⼩猫⼩狗真的太可爱了
这篇⽂章中我放弃了以往的model.fit()训练⽅法，改⽤ain_on_batch⽅法。两种⽅法的⽐较：model.fit()：⽤起来⼗分简单，对新⼿⾮常友好
此外我也引⼊了进度条的显⽰⽅式，更加⽅便我们及时查看模型训练过程中的情况，可以及时打印各项指标。 我的环境：
语⾔环境：Python3.6.5
编译器：jupyter notebook
深度学习环境：TensorFlow2.4.1
显卡（GPU）：NVIDIA GeForce RTX 3080
来⾃专栏：《深度学习100例》
⽂章⽬录
⼀、前期⼯作
1. 设置GPU
2. 导⼊数据
3. 查看数据
⼆、数据预处理
1. 加载数据
2. 再次检查数据
3. 配置数据集
4. 可视化数据
三、构建VG-16⽹络
四、编译
五、训练模型
六、模型评估
七、保存and加载模型
西陆蝉声唱⼋、预测
⼀、前期⼯作
1. 设置GPU
夜字成语如果使⽤的是CPU可以注释掉这部分的代码。
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")
if gpus:
# 打印显卡信息，确认GPU可⽤
print(gpus)
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
釜山面积2. 导⼊数据
微波炉可以烤蛋挞吗
import matplotlib.pyplot as plt
# ⽀持中⽂
import os,PIL
# 设置随机种⼦尽可能使结果可以重现
import numpy as np
np.random.ed(1)
# 设置随机种⼦尽可能使结果可以重现
import tensorflow as tf
tf.random.t_ed(1)
#隐藏警告
import warnings
warnings.filterwarnings('ignore')
import pathlib
data_dir = "./data/train"
# data_dir = "D:/jupyter notebook/DL-100-days/datats/017_Eye_datat"
data_dir = pathlib.Path(data_dir)
3. 查看数据
image_count = len(list(data_dir.glob('*/*')))
print("图⽚总数为：",image_count)
图⽚总数为：3400
⼆、数据预处理
1. 加载数据
使⽤image_datat_from_directory⽅法将磁盘中的数据加载到tf.data.Datat中
batch_size = 8
img_height = 224
img_width = 224
TensorFlow版本是2.2.0的同学可能会遇到module 'tensorflow.keras.preprocessing' has no attribute 'image_datat_from_directory'的报错，升级⼀下TensorFlow就OK了
"""大庆会计网
关于image_datat_from_directory()的详细介绍可以参考⽂章：mtyjkh.blog.csdn/article/details/117018789
"""
train_ds = tf.keras.preprocessing.image_datat_from_directory(
data_dir,
validation_split=0.2,
subt="training",
ed=12,
image_size=(img_height, img_width),
batch_size=batch_size)
Found 3400 files belonging to 2 class.
Using 2720 files for training.
"""
关于image_datat_from_directory()的详细介绍可以参考⽂章：mtyjkh.blog.csdn/article/details/117018789
唱反调"""
val_ds = tf.keras.preprocessing.image_datat_from_directory(
data_dir,
validation_split=0.2,
subt="validation",
ed=12,
带雨的四字成语image_size=(img_height, img_width),
batch_size=batch_size)
Found 3400 files belonging to 2 class.
Using 680 files for validation.
我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于⽬录名称。
class_names = train_ds.class_names
print(class_names)
['cat', 'dog']
2. 再次检查数据
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break
(8, 224, 224, 3)
(8,)
Image_batch是形状的张量（8, 224, 224, 3)。这是⼀批形状224x224x3的8张图⽚（最后⼀维指的是彩⾊通道RGB）。
Label_batch是形状（8，）的张量，这些标签对应8张图⽚
3. 配置数据集
prefetch() ：预取数据，加速运⾏，其详细介绍可以参考我前两篇⽂章，⾥⾯都有讲解。
cache() ：将数据集缓存到内存当中，加速运⾏
AUTOTUNE = tf.data.AUTOTUNE
def preprocess_image(image,label):
return (image/255.0,label)
# 归⼀化处理
train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
val_ds = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE)
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
如果报 AttributeError: module 'tensorflow._api.v2.data' has no attribute 'AUTOTUNE' 错误，就将 AUTOTUNE = tf.data.AUTOTUNE 更换为 AUTOTUNE = perimental.AUTOTUNE，这个错误是由于版本问题引起的。
4. 可视化数据
plt.figure(figsize=(15, 10)) # 图形的宽为15⾼为10
for images, labels in train_ds.take(1):
for i in range(8):
ax = plt.subplot(5, 8, i + 1)
plt.imshow(images[i])
plt.title(class_names[labels[i]])
plt.axis("off")
三、构建VG-16⽹络
VGG优缺点分析：
VGG优点
VGG的结构⾮常简洁，整个⽹络都使⽤了同样⼤⼩的卷积核尺⼨（3x3）和最⼤池化尺⼨（2x2）。
VGG缺点
1)训练时间过长，调参难度⼤。2)需要的存储容量⼤，不利于部署。例如存储VGG-16权重值⽂件的⼤⼩为500多MB，不利于安装到嵌⼊式系统中。
结构说明：
13个卷积层（Convolutional Layer），分别⽤blockX_convX表⽰
3个全连接层（Fully connected Layer），分别⽤fcX与predictions表⽰
5个池化层（Pool layer），分别⽤blockX_pool表⽰
VGG-16包含了16个隐藏层（13个卷积层和3个全连接层），故称为VGG-16
