深度可分离卷积 二分类 训练自己的数据集 代码

以下是使用深度可分离卷积进行二分类训练自己的数据集的代码：

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np

# 加载并预处理数据集
train_data = np.load("train_data.npy")
train_labels = np.load("train_labels.npy")
train_data = train_data.astype('float32') / 255.0
train_labels = train_labels.astype('float32')

# 构建模型
model = models.Sequential()
model.add(layers.SeparableConv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.SeparableConv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.SeparableConv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

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

# 训练模型
history = model.fit(train_data, train_labels, epochs=10, batch_size=64, validation_split=0.2)

# 保存模型
model.save('my_model.h5')

这个代码假定你已经有了一个 `train_data.npy` 文件和一个 `train_labels.npy` 文件，分别包含你的图像数据和对应的标签数据。在这个例子中，我们使用了深度可分离卷积来构建模型，并使用了 RMSprop 优化器和二元交叉熵作为损失函数。我们将模型保存在一个名为 `my_model.h5` 的文件中。