猫狗图像分类python代码

以下是使用Python编写的猫狗图像分类代码：

首先需要导入必要的包：

import numpy as np
import matplotlib.pyplot as plt
import os
import cv2
from sklearn.model_selection import train_test_split
from keras.utils import to_categorical
from keras.models import Sequential, load_model
from keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropout

接着，我们需要读入数据集：

DATADIR = "dataset"
CATEGORIES = ["cats", "dogs"]

IMG_SIZE = 50

training_data = []

def create_training_data():
    for category in CATEGORIES:
        path = os.path.join(DATADIR, category)
        class_num = CATEGORIES.index(category)
        for img in os.listdir(path):
            try:
                img_array = cv2.imread(os.path.join(path, img), cv2.IMREAD_GRAYSCALE)
                new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))
                training_data.append([new_array, class_num])
            except Exception as e:
                pass

create_training_data()

X = []
y = []

for features, label in training_data:
    X.append(features)
    y.append(label)

X = np.array(X).reshape(-1, IMG_SIZE, IMG_SIZE, 1)
X = X/255.0

y = to_categorical(y, num_classes=2)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

在这里，我们使用了OpenCV库来读取和处理图像，然后将它们添加到训练数据中。我们还使用了sklearn库中的train_test_split函数来将数据集划分为训练集和测试集。最后，我们将图像和标签转换成numpy数组，并将像素值缩放到0到1之间。

接下来，我们可以构建模型：

model = Sequential()

model.add(Conv2D(32, (3,3), activation='relu', input_shape=X_train.shape[1:]))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3,3), activation='relu'))
model.add(MaxPool2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(2, activation='softmax'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

这个模型使用了卷积神经网络的结构，包含两个卷积层和一个全连接层。我们使用了ReLU激活函数和MaxPooling层来增加模型的非线性能力。Dropout层用于减少过拟合。

最后，我们可以训练模型并评估其性能：

history = model.fit(X_train, y_train, batch_size=32, epochs=20, validation_data=(X_test, y_test))

model.save('cat_dog_classifier.h5')

test_loss, test_acc = model.evaluate(X_test, y_test)

print('Test loss:', test_loss)
print('Test accuracy:', test_acc)

这里我们使用了keras库来训练模型。我们还保存了训练好的模型，并计算了模型在测试集上的准确率。