用keras进行猫狗识别（三）

最新推荐文章于 2023-07-02 13:32:06 发布

原创

最新推荐文章于 2023-07-02 13:32:06 发布 · 2.3k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#猫狗识别 #深度学习 #图像处理

本文介绍如何利用预训练的VGG16网络进行猫狗识别，通过移除原有的分类器并添加新的分类层进行训练，最终达到88%-89%的准确率，显著提高了识别效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用特征提取的方法对样本进行训练

背景

通过之前的数据增强+直接训练，我们将正确率提高到了八十以上，但是还有一种更好的方法去帮助我们训练，那就是使用预训练网络，原理就是前人栽树，后人乘凉，假定之前有人用了超多的数据进行训练，实现了多分类的识别，其中包括了我们本次要识别的东西，或者和我们识别的东西有相似特征的东西，这样我们就可以利用其训练的模型运用到自己的模型中。

首先介绍一下卷积神经网络，它主要包括两个部分，第一部分是卷积基，包括卷积层和池化层，第二个部分就是密集连接分类器，特征提取就是取出训练好的卷积基，在上边增加新的密集连接分类器，示意图如下：
在这里插入图片描述

准备文件

准备好训练集和验证集的图片，分别为2000张和1000张，倒是没有硬性要求，主要是为了学习，用的多就有点浪费时间了（原数据集有几万张）

进行预测数据，并保存

这个部分将用VGG16去训练我们的数据，指定没有分类器，最后我们将得到的数据进行储存，具体细节我写了注释，应该都能看懂

from keras.applications import VGG16

conv_base = VGG16(
    weights='imagenet',#指定模型初始化检查点
    include_top=False,#指定模型最后是否包含密集连接器
    input_shape=(150,150,3)#指定输入到网络中图像的形状
    )

import os
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
#指定地址
base_dir = 'F:\DeepLearn\cat_and_dog'
train_dir = os.path.join(base_dir,'tr