kaggle猫狗数据集⼆分类系列（1）构建模型进⾏⼆分类，保存模型，画出⾛势 图
这个实验来⾃于《deep learning with python》
实验取了4000张猫狗数据，利⽤CNN进⾏⼆分类。
采⽤数据增强。
⾸先数据预处理：
模型参数 3,453,121 个
训练完后保存的cats_and_dogs_small_1.h5⽂件⼤⼩26.3MB
GTX1060 6G训练了差不多5分钟，等了⼀阵⼦。
_________________________________________________________________ Layer (type) Output Shape Param #
================================================================= conv2d_1 (Conv2D) (None, 148, 148, 32) 896
_________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 74, 74, 32) 0
_________________________________________________________________ conv2d_2 (Conv2D) (None, 72, 72, 64) 18496
_________________________________________________________________ max_pooling2d_2 (MaxPooling2 (None, 36, 36, 64) 0
_________________________________________________________________ conv2d_3 (Conv2D) (None, 34, 34, 128) 73856
_________________________________________________________________ max_pooling2d_3 (MaxPooling2 (None, 17, 17, 128) 0
_________________________________________________________________ conv2d_4 (Conv2D) (None, 15, 15, 128) 147584
_________________________________________________________________ max_pooling2d_4 (MaxPooling2 (None, 7, 7, 128) 0
_________________________________________________________________ flatten_1 (Flatten) (None, 6272) 0
_________________________________________________________________ dense_1 (Dense) (None, 512) 3211776
_________________________________________________________________ dense_2 (Dense) (None, 1) 513
================================================================= Total params: 3,453,121
Trainable params: 3,453,121
Non-trainable params: 0游乐园门票在哪里买便宜
_________________________________________________________________代码：
import os, shutil
original_dataset_dir = r'F:\kaggle\train'
base_dir = 'F:/kaggle/cats_and_dogs_small'
os.mkdir(base_dir)
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)
世界杯32强名单全部出炉
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(train_cats_dir, fname)
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(validation_cats_dir, fname)
fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(test_cats_dir, fname)
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(train_dogs_dir, fname)
fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(validation_dogs_dir, fname)
fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
src = os.path.join(original_dataset_dir, fname)
dst = os.path.join(test_dogs_dir, fname)
from keras import layers北京三里屯疫情最新情况
from keras import models
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
from keras import optimizers
modelpile(loss='binary_crossentropy', optimizer=optimizers.RMSprop(lr=1e-4), metrics=['acc'])
# 数据预处理
深圳旅游旅行社
# (1) 读取图像⽂件。
# (2) 将 JPEG ⽂件解码为 RGB 像素⽹格。
# (3) 将这些像素⽹格转换为浮点数张量。
# (4) 将像素值（0~255 范围内）缩放到 [0, 1] 区间（正如你所知，神经⽹络喜欢处理较⼩的输
# ⼊值）。
from keras.preprocessing.image import ImageDataGenerator
附近宾馆train_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator(rescale=1. / 255)
# ⽣成器⽣成了 150×150 的 RGB 图像
# ［形状为 (20, 150, 150, 3) ］与⼆进制标签［形状为 (20,) ］组成的批量
# 每个批量中包含 20 个样本（批量⼤⼩）
# ⽣成器会不停地⽣成这些批量，它会不断循环⽬标⽂件夹中的图像
# 因此，你需要在某个时刻终⽌（ break ）迭代循环。 train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(150, 150),
batch_size=20,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_dir,
target_size=(150, 150),
batch_size=20,
class_mode='binary')
# 要知道每⼀轮需要从⽣成器中抽取多少个样本。这是 steps_per_epoch 参数的作⽤
# 从⽣成器中抽取 steps_per_epoch 个批量后（即运⾏了 steps_per_epoch 次梯度下降），# 拟合过程将进⼊下⼀个轮次。本例中，每个批量包含 20 个样本，
# 所以读取完所有 2000 个样本需要 100个批量。
# 我的解释：
# ⽣成器⼀次给20例，其实就是⼀般fit⾥的batch_size
# 然后搞100次，相当于把训练数据集的2000张全训练了⼀次
# 平时⽤fit⽅法只给epochs和batch_size，其他的交给keras⾃⼰算
# 这⾥多了⼀个steps_per_epoch参数，其实就是让⽤户算算
# 为了取完训练数据集，⼀般这⾥肯定需要训练总量=batch_size*steps_per_epoch history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=30,
validation_data=validation_generator,
validation_steps=50)
# 保存模型
model.save('cats_and_dogs_small_1.h5')
import matplotlib.pyplot as plt
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()
结果：
中国几大名山
代码实验 总结与反思：
1、使⽤os.mkdir(字符串地址)⽅法创建⽬录；
2、使⽤pyfile(src, dst)复制指定⽂件；
3、⽹络中特征图的深度在逐渐增⼤（从 32 增⼤到 128），⽽特征图的尺⼨在逐渐减⼩（从150×150 减⼩到 7×7）。这⼏乎是所有卷积神经⽹络的模式。
4、学会⽣成器和model.fit_generator！！
from keras.preprocessing.image import ImageDataGenerator
这个操作很骚。
我的解释：
⽣成器⼀次给20例，其实就是⼀般fit⾥的batch_size
然后搞100次，相当于把训练数据集的2000张全训练了⼀次
平时⽤fit⽅法只给epochs和batch_size，其他的交给keras⾃⼰算
这⾥多了⼀个steps_per_epoch参数，其实就是让⽤户算算
为了取完训练数据集，⼀般这⾥肯定需要 训练总量=batch_size*steps_per_epoch
5、保存模型
model.save(‘cats_and_dogs_small_1.h5’)
6、模型⼜过拟合了！
