### Python 猫狗图像分类代码示例 以下是基于 TensorFlow 和 Keras 的猫狗图像分类代码示例。该代码实现了数据加载、模型构建、编译以及训练的过程。 #### 1. 导入必要的库 ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.preprocessing.image import ImageDataGenerator ``` #### 2. 数据预处理 使用 `ImageDataGenerator` 对训练集进行增强，并对验证集和测试集进行标准化处理。 ```python img_height, img_width = 224, 224 batch_size = 32 # 训练集的数据增强 train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) # 验证集的标准化 validation_datagen = ImageDataGenerator(rescale=1./255) # 加载训练集 train_generator = train_datagen.flow_from_directory( 'dataset/train', # 替换为实际路径 target_size=(img_height, img_width), batch_size=batch_size, class_mode='binary' ) # 加载验证集 validation_generator = validation_datagen.flow_from_directory( 'dataset/validation', # 替换为实际路径 target_size=(img_height, img_width), batch_size=batch_size, class_mode='binary' ) ``` #### 3. 构建卷积神经网络 (CNN) 模型 定义一个简单的 CNN 结构，包含多个卷积层和池化层，最后连接全连接层完成二分类任务。 ```python 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'), Dropout(0.5), Dense(1, activation='sigmoid') # 输出层，激活函数为 sigmoid ]) ``` #### 4. 编译模型 配置优化器、损失函数和评估指标。 ```python model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` #### 5. 训练模型 指定训练轮数 (`epochs`) 并启动训练过程。 ```python history = model.fit( train_generator, steps_per_epoch=train_generator.samples // batch_size, epochs=10, # 可根据需求调整 validation_data=validation_generator, validation_steps=validation_generator.samples // batch_size ) ``` #### 6. 测试模型（可选） 如果存在独立的测试集，可以通过以下方式评估模型性能。 ```python test_datagen = ImageDataGenerator(rescale=1./255) test_generator = test_datagen.flow_from_directory( 'dataset/test', # 替换为实际路径 target_size=(img_height, img_width), batch_size=batch_size, class_mode='binary' ) test_loss, test_acc = model.evaluate(test_generator, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` --- ### 注意事项 - **数据目录结构**：确保本地文件夹按照描述中的结构组织[^1]，即 `train`, `validation` 和 `test` 文件夹分别包含 `cats` 和 `dogs` 子文件夹。 - **硬件资源**：建议使用 GPU 进行加速训练，尤其是在大规模数据集上运行时[^2]。 - **超参数调优**：可以根据具体场景调整批量大小 (`batch_size`)、学习率 (`learning_rate`) 或其他超参数以获得更好的效果[^3]。 ---