深度学习-python猫狗识别tensorflow2.0

好久没更新了，一巴掌拍了拍自己闲得发慌的脸。虽说生活的压力不大，但是也不能太咸鱼啊。平时浪归浪，但是学习和工作还是不能落下。

最近的工作太繁杂了，不知道要从何写起，想起之前写过用tensorflow1.x实现的「猫狗识别」的案例，这次就写一个用tensorflow2.0实现的案例吧。

上一个案例传送门：
深度学习-使用tensorflow实现猫狗识别

1. 数据集的准备

猫狗识别的数据集依旧可以从Kaggle上下载，数据集下载链接：
https://www.kaggle.com/c/dogs-vs-cats

下载后解压，得到如下的文件夹

文件夹train里面放着25000张图像，猫和狗的图像分别都是12500张，图像名称上都有标明类别。文件夹test1里面放的是测试集，里面有12500张图像，都没有标签，要自己来预测分类。

把数据集目录整理成如下的形式

文件夹test1不变，新建一个文件夹validation，在文件夹train中分别拿出猫和狗的图像各2500张，存到文件夹validation中。文件夹train和validation内都要新建文件夹cat和dog，分别把猫和狗的图像都存到对应文件夹中。

这时候数据集目录结构如下

2. 数据集的导入

在训练前，先导入训练集和验证集。使用keras.preprocessing.image.ImageDataGenerator()做图像增强的数据预处理设置，再使用flow_from_directory()从文件路径中导入数据集，并设置图像大小、batch_size和是否shuffle等参数。

train_datagen = keras.preprocessing.image.ImageDataGenerator(
        rescale=1. / 255,
        rotation_range=40,
        width_shift_range=0.2,
        height_shift_range=0.2,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True,
        fill_mode='nearest',
    )

    train_generator = train_datagen.flow_from_directory(
        train_dir,
        target_size=(width, height),
        batch_size=batch_size,
        seed=7,
        shuffle=True,
        class_mode='categorical'
    )

    valid_datagen = keras.preprocessing.image.ImageDataGenerator(
        rescale=1. / 255,
    )

    valid_generator = valid_datagen.flow_from_directory(
        valid_dir,
        target_size=(width, height),
        batch_size=valid_batch_size,
        seed=7,
        shuffle=False,
        class_mode="categorical"
    )

3. 编写神经网络结构

编写一个非常基础的卷积神经网络

model = keras.models.Sequential([
        keras.layers.Conv2D(filters=32, kernel_size=3,
                            padding='same', activation='relu',
                            input_shape=[width, height, channel]),
        keras.layers.Conv2D(filters=32, kernel_size=3,
                            padding='same', activation='relu'),
        keras.layers.MaxPool2D(pool_size=2),

        keras.layers.Conv2D(filters=64, kernel_size=3,
                            padding='same', activation='relu'),
        keras.layers.Conv2D(filters=64, kernel_size=3,
                            padding='same', activation='relu'),
        keras.layers.MaxPool2D(pool_size=2),

        keras.layers.Conv2D(filters=128, kernel_size=3,
                            padding='same', activation='relu'),
        keras.layers.Conv2D(filters=128, kernel_size=3,
                            padding='same', activation='relu'),
        keras.layers.MaxPool2D(pool_size=2),

        keras.layers.Flatten(),
        keras.layers.Dense(128, activation='relu'),
        keras.layers.Dense(num_classes, activation='softmax')
    ])
    
    model.compile(loss='categorical_crossentropy',
                  optimizer='adam', metrics=['accuracy'])
    model.summary()

优化器使用adam，损失函数使用'categorical_crossentropy' ，metrics参数填入accuracy，评估模型在训练和测试过程中的准确率。

4. 模型训练

训练模型，设置callbacks，使用model.fit() 开始训练。

callbacks = [
            keras.callbacks.TensorBoard(logdir),
            keras.callbacks.ModelCheckpoint(output_model_file,
                                            save_best_only=True,
                                            save_weights_only=True),
            keras.callbacks.EarlyStopping(patience=5, min_delta=1e-3)
        ]
history = model.fit(
        train_generator,
        epochs=epochs,
        validation_data = valid_generator,
        callbacks = callbacks
    )

训练100步，看看效果。

由于使用了EarlyStopping，当准确率在几个epochs内都没有提高超过一定幅度的话就会停止训练。由图可以看出，训练到40个epoch左右验证集的准确率达到90%多了。下面是训练过程的准确率和损失值变化曲线!

5.预测和分类

先读取文件夹test1中的图像，使用 model.predict() 进行预测，再根据预测结果把图像进行分类，分别存储到猫和狗的文件夹中。

分类为猫的图像

分类为狗的图像

预测的图像一共12500张，分类之后两个文件夹内分别都是6000多张，几乎持平，分类效果还是不错的。写完了这篇，继续撸撸猫，继续咸鱼。

ps: 在本人公众号回复「猫狗」即可获取完整代码。