猫狗识别python代码

以下是一个简单的猫狗识别的 Python 代码，使用了 TensorFlow 和 Keras 框架：

import tensorflow as tf
from keras.preprocessing.image import ImageDataGenerator

# 设置训练、验证、测试数据的目录
train_dir = 'train'
validation_dir = 'validation'
test_dir = 'test'

# 设置图像的大小、通道数以及批量大小
img_width, img_height = 150, 150
input_shape = (img_width, img_height, 3)
batch_size = 16

# 创建训练数据生成器
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

# 创建验证数据生成器
validation_datagen = ImageDataGenerator(rescale=1./255)
validation_generator = validation_datagen.flow_from_directory(
    validation_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(loss='binary_crossentropy',
              optimizer=tf.keras.optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

# 训练模型
history = model.fit_generator(
    train_generator,
    steps_per_epoch=train_generator.n // batch_size,
    epochs=30,
    validation_data=validation_generator,
    validation_steps=validation_generator.n // batch_size)

# 测试模型
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')
test_loss, test_acc = model.evaluate_generator(test_generator, steps=test_generator.n // batch_size)
print('Test accuracy:', test_acc)

该代码使用了卷积神经网络（Convolutional Neural Network，CNN）进行图像分类，将图像大小设置为 150x150，并对图像进行了归一化处理。在模型的最后一层使用了 sigmoid 激活函数，输出0或1来表示是猫还是狗。训练时使用了 RMSprop 优化器和 binary_crossentropy 作为损失函数。测试时调用了 evaluate_generator 方法计算模型的测试准确率。