尝试调用Keras Application中提供的各种（一些）结构来训练cat-dog数据集，并测试准确率

在Python中，特别是在深度学习领域，Keras是一个流行的库，它提供了许多预训练的应用模型，如VGG16、ResNet50等，可以用于图像分类任务。例如，如果你想使用Keras应用中的VGG16来处理猫狗二分类问题（Cat-Dog classification），你可以按照以下步骤操作：

1. 首先，安装所需的库：

pip install tensorflow keras

2. 加载预训练的VGG16模型，并冻结除了最后一层之外的所有层，因为我们需要用新的数据集调整分类部分：

from tensorflow.keras.applications.vgg16 import VGG16
from tensorflow.keras.applications.vgg16 import preprocess_input
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.models import Model

vgg = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
x = Flatten()(vgg.output)
output_layer = Dense(1, activation='sigmoid')(x)  # 对于二分类，输出层只有一个神经元
model = Model(inputs=vgg.input, outputs=output_layer)
for layer in model.layers[:-1]:
    layer.trainable = False  # 冻结所有预训练层

3. 准备Cat-Dog数据集，将其分为训练集和验证集，并进行数据增强（Data Augmentation）以增加样本多样性：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(preprocessing_function=preprocess_input,
                                   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')

validation_datagen = ImageDataGenerator(preprocess_input, rescale=1./255)

train_generator = train_datagen.flow_from_directory(directory="path_to_train_data",
                                                    target_size=(224, 224),
                                                    batch_size=32,
                                                    class_mode='binary')

validation_generator = validation_datagen.flow_from_directory(directory="path_to_val_data",
                                                            target_size=(224, 224),
                                                            batch_size=32,
                                                            class_mode='binary')

4. 编译并训练模型：

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(train_generator, epochs=10, validation_data=validation_generator)

5. 测试模型的准确率：

test_loss, test_accuracy = model.evaluate(validation_generator)
print(f"Test accuracy: {test_accuracy * 100:.2f}%")