使用Keras和TensorFlow 2.0建立深度学习模型对图像进行分类

在本文中，我们将构建一个深度学习模型来对图像中的对象进行分类。为了构建卷积神经网络，我们将使用Kaggle提供的这个数据集。（https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data）CNN是一种主要用于视觉任务的神经网络。该网络将检测动物的特征，然后使用这些特征将给定的输入图像分类为猫或狗。

以下内容由公众号：AIRX社区（国内领先的AI、AR、VR技术学习与交流平台） 整理

导入必要的包文件

先激活虚拟环境

conda activate my_env

运行以下命令安装keras和tensorflow:

conda install tensorflow keras pillow

在这里，我们还安装了pillow以便于以后加载图像。

现在导入以下包:

• 连续初始化人工神经网络

• 用于实现处理图像的卷积网络

• MaxPooling2D用于添加池化层

• Flatten转换池的功能映射成一个列，将被馈送到全连接层

• 这将为神经网络增加一个完全连接的层

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

初始化神经网络

接下来，我们将使用该Sequential包来初始化线性的图层堆栈。对于像这样的分类问题，我们通常创建一个分类变量。

classifier = Sequential()

我们现在有了一个神经网络的实例，但它本身并不能做任何事情。我们需要对数据集应用一个函数，这意味着网络需要一个卷积层。我们将在下一步中添加这一层。

添加卷积层

通过调用分类器上的add函数并传递所需的参数来添加层。传递参数是使用Convolution2D完成的。第一个参数(滤波器)是卷积中输出滤波器的数量。它们也被称为特征检测器。

第二和第三参数代表2D卷积窗口的高度和宽度。input_shape是输入图像的形状。黑白图像转换为2D阵列，而彩