### Cats_vs_Dogs TensorFlow 项目代码实现 以下是一个完整的 `cats_vs_dogs` TensorFlow 项目代码实现，基于卷积神经网络（CNN）进行图像分类。代码包括数据加载、模型构建、编译与训练等关键步骤。 ```python import tensorflow as tf from tensorflow.keras import layers, models import tensorflow_datasets as tfds import matplotlib.pyplot as plt # 加载数据集 def load_datasets(): (cats_vs_dogs_train, cats_vs_dogs_test), cats_vs_dogs_info = tfds.load( name='cats_vs_dogs', split=['train[:80%]', 'train[80%:]'], as_supervised=True, with_info=True ) return (cats_vs_dogs_train, cats_vs_dogs_test), cats_vs_dogs_info # 数据预处理 def preprocess(image, label): image = tf.cast(image, tf.float32) image = image / 255.0 # 归一化到 [0, 1] image = tf.image.resize(image, (128, 128)) # 调整图像大小 return image, label # 构建模型 def build_model(): model = models.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Flatten(), layers.Dense(512, activation='relu'), layers.Dense(1, activation='sigmoid') # 二分类输出 ]) return model # 主程序 def main(): # 加载数据集 (train_dataset, test_dataset), dataset_info = load_datasets() # 预处理数据 train_dataset = train_dataset.map(preprocess).batch(32).prefetch(tf.data.AUTOTUNE) test_dataset = test_dataset.map(preprocess).batch(32).prefetch(tf.data.AUTOTUNE) # 构建模型 model = build_model() model.summary() # 输出模型结构 # 编译模型 model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) # 训练模型 history = model.fit( train_dataset, epochs=10, validation_data=test_dataset ) # 绘制训练过程中的损失和准确率 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs_range = range(10) plt.figure(figsize=(8, 8)) plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, label='Training Accuracy') plt.plot(epochs_range, val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.title('Training and Validation Accuracy') plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, label='Training Loss') plt.plot(epochs_range, val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show() if __name__ == "__main__": main() ``` #### 代码说明 - **数据加载**：使用 `tensorflow_datasets` 加载 `cats_vs_dogs` 数据集，并将其分为训练集和测试集[^1]。 - **数据预处理**：将图像转换为浮点数类型，归一化到 `[0, 1]` 范围，并调整大小为 `128x128` 像素[^5]。 - **模型构建**：定义一个简单的 CNN 模型，包含多个卷积层和池化层，最后通过全连接层输出二分类结果[^4]。 - **模型编译与训练**：使用 `adam` 优化器和 `binary_crossentropy` 损失函数进行训练，并绘制训练过程中的损失和准确率曲线[^2]。 --- #### 注意事项 - 确保安装了 `tensorflow-datasets` 库以加载数据集。 - 如果运行环境没有 GPU 支持，训练时间可能会较长。 - 可根据实际需求调整模型复杂度和训练参数。 ---