基于cnn的猫狗图像识别
时间: 2023-07-19 16:46:13 浏览: 102
好的,我们可以使用Python的深度学习框架Keras来实现基于CNN的猫狗图像识别。首先,我们需要准备猫狗图像数据集,你可以从Kaggle上下载猫狗数据集。
以下是一个简单的代码示例:
```python
import os
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
# 设置图像的大小和路径
img_width, img_height = 150, 150
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 2000
nb_validation_samples = 800
epochs = 50
batch_size = 16
# 数据处理和增强
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
# 构建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(img_width, img_height, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# 训练模型
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
# 保存模型
model.save_weights('models/basic_cnn.h5')
```
这段代码中,我们首先设置了图像的大小和路径,以及数据集的大小和批次大小等参数。然后使用ImageDataGenerator对数据进行处理和增强,包括图像缩放、剪切、翻转等操作。接着,我们构建了一个简单的CNN模型,包括卷积层、池化层、全连接层和Dropout层。最后,我们使用fit_generator方法训练模型,并保存模型权重。
阅读全文