猫狗识别代码

以下是使用Keras框架编写的猫狗识别代码，使用了卷积神经网络（CNN）：

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

# 创建CNN模型
model = Sequential()

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

# 添加全连接层
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

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

# 对训练和测试数据进行数据增强
train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

# 加载训练和测试数据集
training_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(training_set, steps_per_epoch=8000, epochs=25, validation_data=test_set, validation_steps=2000)

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

这个代码使用了ImageDataGenerator对训练和测试数据进行数据增强。在训练过程中，我们使用了8000个训练步骤和25个epochs。最后，我们把模型保存到了名为“cat_dog_classifier.h5”的文件中。