CNN实现真实猫狗图片分类

个人认为，和上一节的mnist数据集里面的手写数字图片不同之处就是，真实的图片更加复杂，像素点更多。因此在对应的图片预处理方面会稍微麻烦一些。但是这个例子能让我们可以处理自己遇到的问题，不仅限于已有的mnist。

不多说直接上代码

import keras
from keras import layers
import numpy as np
import os
import shutil

这一步主要是为了制作一个Keras 能够识别处理，直接读取的图片数据集
文件结构为。 一个train 和test文件夹， 在train和test文件夹下 建立 猫和狗的文件夹，并把图片放入对应文件夹。 （在解决自己的问题的时候，也是要这样放好图片）

base_dir = '/.dataset/cat_dog'
train_dir = os.path.join(base_dir, 'train')
train_dir_dog = os.path.join(train_dir, 'dog')
train_dir_cat = os.path.join(train_dir, 'cat')

test_dir = os.path.join(base_dir, 'test')
test_dir_dog = os.path.join(test_dir, 'dog')
test_dir_cat = os.path.join(test_dir, 'cat')

os.mkdir(base_dir)
os.mkdir(train_dir)
os.mkdir(train_dir_dog)
os.mkdir(train_dir_cat)
os.mkdir(test_dir)
os.mkdir(test_dir_dog)
os.mkdir(test_dir_cat)
dc_dir='./dataset'   #存图片的位置

猫的1000张训练图片

fnames = ['cat'.{
    }.jpg.format(i) for i in rangen (1000)]  #文件名称 因为图片的命名是 cat1.jpg cat10.gpj形式
for fname in fnames:
    s = os.path.join(dc_dir,fname)  #源地址
    d = os.path.join(train_dir_cat, fname) #目标地址
    shutil.copyfile(s,d)

猫的500张测试图片

fnames = ['cat'.{
    }.jpg.format(i) for i in rangen (1000,1500)]  #文件名称
for fname in fnames:
    s = os.path.join(dc_dir,fname)  #源地址
    d = os.path.join(test_dir_cat, fname) #目标地址
    shutil.copyfile(s,d)

狗也是同样操作

fnames = ['dog'.{
    }.jpg.format(i) for i in rangen (1000)]  #文件名称
for fname in fnames:
    s = os.path.join(dc_dir,fname)  #源地址
    d = os.path.join(train_dir_dog, fname) #目标地址
    shutil.copyfile(s,d)
    
fnames = ['cat'.{
    }.jpg.format(i) for i in rangen (1000,1500)]  #文件名称
for fname in fnames:
    s = os.path.join(dc_dir,fname)  #源地址
    d = os.path.join(test_dir_dog, fname) #目标地址
    shutil.copyfile(s,d)
    

数据集处理好了，现在来想想处理图片的步骤。

步骤：
（1）读取图片
（2）将图片解码
（3）预处理图片（图片裁剪–整理成同样大小）
（4）图片归一化

那么就按照以上步骤对图片进行操作。
这里用一个keras 的图片生成器

from keras.preprocessing.image import ImageDataGenerator     #迭代读取图片

对图片作归一化（因为神经网络就喜欢归一化后的数据）很简单，就是除以255就可以了

train_datagen = ImageDataGenerator(rescale=1./255)    #建立图片生成器，并作归一化
test_datagen = ImageDataGenerator(rescale=1./255)

生成想要的图片规格 这里是将图片变成200*200规格

train_generator = train_datagen.flow_from_firectory(train_dir,
                                                    target_size=(200,200),
                                                   batch_size=20,
                                                   calss_mode='binary') 
#参数是(图片目录，裁剪的大小，batch_size,二分类（分猫和狗）)

test_generator = test_datagen.flow_from_firectory(test_dir,
                                                    target_size=(200,200),
                                                   batch_size=20,
                                                   calss_mode='binary') 

数据集生成后，现在开始建立CNN模型，很简单和以前建立的一样，区别在于，由于是真实图片，比上一节的手写图片要复杂的多，所以建立很多层来学习

model = keras.Sequential()
model.add(layers.Conv2D(64,(3*3),activation='relu',input_shape=(200,200,3)))
model.add(layers.Conv2D(64,(3*3),activation='relu'))
model.add(layers.MaxPooling2D())
model.add(layers.Dropout(0.25))

model.add(layers.Conv2D(64,(3*3),activation='relu',input_shape=(200,200,3)))
model.add(layers.Conv2D(64,(3*3),activation='relu'))
model.add(layers.MaxPooling2D())
model.add(layers.Dropout(0.25))

model.add(layers.Conv2D(64,(3*3),activation='relu',input_shape=(200,200,3)))
model.add(layers.Conv2D(64,(3*3),activation='relu'))
model.add(layers.MaxPooling2D())
model.add(layers.Dropout(0.25))

model.add(layers.Flatten())
model.add(layers.Dense(256,activation='relu'))
model.add(layers.Dropout(0.5))

model.add(layers.Dense(1,activation='sigmoid'))
model.compile(optimizer='adam',   #用实际数据的时候，可能需要调参，那么就实例化 optimizer=keras.optimizers.Adam(lr=0.0001)
              loss='binary_crossentropy'
              metrics=['acc']
             )

下面是训练模型，跟常规的有一点点不一样

history = model.fit_generator(
    train_generator,
     epochs=30,
    steps_per_epoch=100,
    validation_data=test_generator,
    validation_steps=50
    )

#注意，此处与以前的模型训练有所不同， 必须要告诉程序 一个epoch 要训练多少张图片，
#例如 现在训练集是2000张 batch_size=20 所以steps_per_epoch=100 ，训练集有1000张，所以validation_steps=50 

以上就建立一个用于真实图片的识别的CNN卷积神经网络啦。
ps:另外真实数在自己电脑上算起来很慢（除非你有GPU可能要快点），所以免费GPU www.kaggle.com 香啊