猫狗图片分类卷积神经网络模型可进行识别完整代码

猫狗图片分类是一种经典的图像分类问题，可以使用卷积神经网络(CNN)进行解决。以下是一个简单的CNN模型用于猫狗图片分类，使用Python语言和Keras库实现：

# 导入必要的库
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D
from keras.optimizers import RMSprop
from keras.preprocessing.image import ImageDataGenerator

# 定义模型
model = Sequential()

# 添加卷积层和池化层
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())

# 添加全连接层和输出层
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy',
              optimizer=RMSprop(lr=1e-4),
              metrics=['accuracy'])

# 数据增强
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',
                                                    target_size=(150, 150),
                                                    batch_size=32,
                                                    class_mode='binary')

validation_generator = test_datagen.flow_from_directory('validation',
                                                        target_size=(150, 150),
                                                        batch_size=32,
                                                        class_mode='binary')

# 训练模型
history = model.fit_generator(train_generator,
                              steps_per_epoch=2000,
                              epochs=50,
                              validation_data=validation_generator,
                              validation_steps=800)

# 保存模型
model.save('cat_dog.h5')

以上代码中，我们定义了一个包含卷积层、池化层、全连接层和输出层的简单CNN模型，并使用ImageDataGenerator进行数据增强。在训练过程中，我们使用了50个epoch，并将模型保存为cat_dog.h5文件。