猫狗分类识别python完整代码

在Python中，我们通常会使用深度学习框架如TensorFlow或PyTorch来进行图像分类任务，比如猫狗分类。这里提供一个基于Keras库（它简化了TensorFlow的使用）的基本示例，使用预训练的VGG16模型作为特征提取器，然后添加一层全连接层进行二分类：

# 导入必要的库
from keras.applications.vgg16 import VGG16, preprocess_input, decode_predictions
from keras.layers import Dense, Flatten
from keras.models import Model
from keras.preprocessing.image import ImageDataGenerator

# 加载预训练的VGG16模型，去掉顶部的全连接层
vgg = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 添加新的全连接层和输出层
x = vgg.output
x = Flatten()(x)
predictions = Dense(1, activation='sigmoid')(x)  # 二分类任务，所以激活函数选择sigmoid
model = Model(inputs=vgg.input, outputs=predictions)

# 预加载数据集
train_datagen = ImageDataGenerator(rescale=1./255)  # 数据增强
val_datagen = ImageDataGenerator(rescale=1./255)  # 测试集不变

train_generator = train_datagen.flow_from_directory(
    'train_dir',  # 训练集目录
    target_size=(224, 224),
    batch_size=32,
    class_mode='binary')  # 猫和狗的二分类

validation_generator = val_datagen.flow_from_directory(
    'validation_dir',  # 验证集目录
    target_size=(224, 224),
    batch_size=32,
    class_mode='binary')

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(
    train_generator,
    steps_per_epoch=len(train_generator),
    epochs=10,  # 调整以达到更好的性能
    validation_data=validation_generator,
    validation_steps=len(validation_generator)
)

# 示例代码到这里，实际应用需要根据你的数据集路径、类别名称等做调整