pyhton猫狗识别代码

Python猫狗识别代码可以使用深度学习模型实现。下面是一个简单的代码示例：

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

# 创建猫狗识别模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    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=['accuracy'])

# 数据预处理
train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        'train_data_directory',
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

validation_generator = validation_datagen.flow_from_directory(
        'validation_data_directory',
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

# 训练模型
model.fit(
      train_generator,
      steps_per_epoch=100,
      epochs=30,
      validation_data=validation_generator,
      validation_steps=50,
      verbose=2)

# 保存模型
model.save('cat_dog_classifier.h5')

上述代码建立了一个简单的卷积神经网络模型，使用`ImageDataGenerator`预处理数据，将图像大小调整为150x150，并将像素值标准化到0到1之间。利用训练集`train_data_directory`和验证集`validation_data_directory`进行模型的训练和验证。最后将训练好的模型保存为`cat_dog_classifier.h5`文件。可以在训练好的模型上进行猫狗识别任务的预测。