深度可分离卷积 二分类 训练自己的图像数据集 避免过拟合 代码

以下是一个基于深度可分离卷积的二分类模型训练代码示例：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, SeparableConv2D, MaxPooling2D, Dropout, Flatten, Dense

# 设置训练和验证数据集的路径
train_dir = '/path/to/training/dataset'
validation_dir = '/path/to/validation/dataset'

# 设置图像增强器
train_datagen = ImageDataGenerator(
    rescale=1./255,         # 图像归一化
    rotation_range=40,      # 图像旋转范围
    width_shift_range=0.2,  # 图像水平偏移范围
    height_shift_range=0.2, # 图像垂直偏移范围
    shear_range=0.2,        # 图像错切变换范围
    zoom_range=0.2,         # 图像缩放范围
    horizontal_flip=True,   # 水平翻转图像
    fill_mode='nearest'     # 填充缺失像素的方式
)

validation_datagen = ImageDataGenerator(rescale=1./255)

# 定义训练和验证数据生成器
train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(150, 150),  # 调整输入图像大小（宽度、高度）
    batch_size=32,           # 每个批次的图像数量
    class_mode='binary'      # 二分类问题
)

validation_generator = validation_datagen.flow_from_directory(
    validation_dir,
    target_size=(150, 150),
    batch_size=32,
    class_mode='binary'
)

# 构建模型，使用深度可分离卷积
model = Sequential([
    SeparableConv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    MaxPooling2D((2, 2)),
    SeparableConv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    SeparableConv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    SeparableConv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dropout(0.5),
    Dense(512, activation='relu'),
    Dense(1, activation='sigmoid')
])

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

# 训练模型
history = model.fit(
    train_generator,
    steps_per_epoch=100,  # 一个 epoch 中的步数（每个 epoch 包含多少个批次）
    epochs=100,           # 训练 epoch 的数量
    validation_data=validation_generator,
    validation_steps=50   # 验证 epoch 中的步数
)

在上述代码中，我们使用了深度可分离卷积和数据增强技术来避免过拟合。同时，我们还使用了 Dropout 层来进一步减少过拟合。

需要注意的是，这只是一个示例代码，具体的实现可能需要根据你的数据集和问题进行调整。