用CNN实现猫狗识别代码

好的，以下是一个简单的猫狗识别的CNN代码实现。

首先，导入必要的库和模块：

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

接着，定义一些超参数和数据处理的参数：

# 图像大小为 128x128 像素
img_width, img_height = 128, 128

# 训练和验证集的目录
train_dir = 'train'
val_dir = 'val'

# 批次大小
batch_size = 32

# 训练数据增强
train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# 验证数据增强
val_datagen = ImageDataGenerator(rescale=1./255)

# 载入训练和验证数据集
train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

val_generator = val_datagen.flow_from_directory(
    val_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

接着，定义一个简单的CNN模型：

# 初始化模型
model = Sequential()

# 添加卷积层和池化层
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)))

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

# 添加 Dropout 层，减少过拟合
model.add(Dropout(0.5))

# 输出层
model.add(Dense(1, activation='sigmoid'))

然后，编译模型并进行训练：

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

# 训练模型
model.fit(train_generator,
          steps_per_epoch=len(train_generator),
          epochs=50,
          validation_data=val_generator,
          validation_steps=len(val_generator))

最后，评估模型的性能：

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

这就是一个简单的猫狗识别的CNN代码实现。