写一个python识别算法可根据动物图片识别出动物的类别

可以使用卷积神经网络（CNN）来识别动物图片的类别。以下是一个简单的示例代码：

import keras
from keras.models import Sequential
from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten
from keras.preprocessing.image import ImageDataGenerator

# 创建CNN模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

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

# 加载训练数据
train_set = train_datagen.flow_from_directory('training_set', target_size=(64, 64), batch_size=32, class_mode='binary')
test_set = test_datagen.flow_from_directory('test_set', target_size=(64, 64), batch_size=32, class_mode='binary')

# 训练模型
model.fit_generator(train_set, steps_per_epoch=8000, epochs=25, validation_data=test_set, validation_steps=2000)

在上面的代码中，我们使用Keras库来创建CNN模型。我们通过对训练数据进行数据增强来避免过拟合，并通过ImageDataGenerator类将训练数据和测试数据加载到模型中。最后，我们使用fit_generator函数来训练模型。

注意，上面的示例代码中使用的是二元分类（class_mode='binary'），因此，我们需要在训练数据和测试数据的文件夹中分别创建两个子文件夹，分别用于存储正例和反例的图片。如果你要进行多类分类任务，则需要将class_mode设置为'categorical'，并在文件夹中创建一个子文件夹来存储每个类别的图片。