猫狗图片识别python代码

以下是一个基于 Python 的猫狗图像分类的代码示例，使用了 TensorFlow 框架和 Keras 库：

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

# 定义参数
train_dir = './train'  # 训练集文件夹
test_dir = './test'  # 测试集文件夹
img_width = 150  # 图像宽度
img_height = 150  # 图像高度
batch_size = 32  # 批次大小
epochs = 50  # 训练轮数

# 数据预处理
train_datagen = ImageDataGenerator(rescale=1./255)  # 生成训练数据
test_datagen = ImageDataGenerator(rescale=1./255)  # 生成测试数据

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

# 构建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, 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(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.summary()

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

# 训练模型
history = model.fit(
    train_generator,
    steps_per_epoch=100,
    epochs=epochs,
    validation_data=test_generator,
    validation_steps=50)

# 评估模型
test_loss, test_acc = model.evaluate(test_generator, steps=50)
print('Test accuracy:', test_acc)

代码中使用了卷积神经网络（CNN）模型，对猫狗图像进行分类。数据预处理使用了 Keras 中的 ImageDataGenerator 类，用于生成训练和测试数据集。最后，使用 fit() 函数训练模型，并使用 evaluate() 函数评估模型性能。