【学习笔记】使用Keras构建简单CNN网络完成猫狗分类（适合初学者，简单易上手）
首先准备好猫和狗的图片数据集，在pycharm中新建一个项目cat_dog recognition，把数据集文件放在该文件夹下。
训练集和测试集都有猫和狗的图片。
1.图像数据预处理
在项目中新建impreprocess.py文件：
from keras.preprocessing.image import ImageDataGenerator,array_to_img,img_to_array,load_img
import numpy as np
#数据图像生成
datagen=ImageDataGenerator(
rotation_range=40,#随机旋转度数
width_shift_range=0.2,#随机水平平移
height_shift_range=0.2,#随机竖直平移
rescale=1/255,#数据归一化
shear_range=0.2,#随机裁剪
zoom_range=0.2,#随机放大
horizontal_flip=True,#水平翻转
fill_mode='nearest',#填充方式
)
#载入图片
image=load_img('images/training_set/cats/cat.1.jpg')
x=img_to_array(image)#图像数据是一维的，把它转成数组形式
print(x.shape)
x=np.expand_dims(x,0)#在图片的0维增加一个维度，因为Keras处理图片时是4维,第一维代表图片数量
print(x.shape)
运行结果：
数据图像生成的参数说明：
生成20张图片数据（特征图）：在项目文件夹下新建temp文件夹
#生成20张图片数据
i=0
for batch in datagen.flow(x,batch_size=1,save_to_dir='temp',save_prefix='new_cat',save_format='jpeg'):
i+=1
if i==20:
break
print('finshed!')
运行结果：
在temp文件夹下随机生成20 张旋转、放大、缩小、平移等处理过的图片。这样做的目的是，因为一张图片有许多不同的状态，这样图片的信息量会增多，训练样本数据量就会变大，使得训练模型效果更好。
2.构造简单训练模型
在项目中新建CNNclassification.py文件
from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Activation,Dropout,Flatten,Dense
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_array
from keras.models import load_model
import numpy as np
from matplotlib import pyplot as plt
#定义模型
#将输入数据大小改为150*150*3再加入模型
model=Sequential()
model.add(Conv2D(input_shape= (150,150,3),filters=32,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=32,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=64,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(Conv2D(filters=128,kernel_size=3,padding='same',activation='relu'))
model.add(MaxPool2D(pool_size=2,strides=2))
#卷积池化完原始图像是一个二维的特征图
model.add(Flatten())#把二维数据转换为一维
model.add(Dense(64,activation='relu'))#Dense代表全连接层，64是最后卷积池化后输出的神经元个数
model.add(Dropout(0.5))#防止过拟合
model.add(Dense(2,activation='softmax'))#softmax是把训练结果用概率形式表示的函数，2代表二分类
#定义优化器
adam=Adam(lr=1e-4)
#定义优化器、代价函数、训练过程中计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
#数据增强
train_datagen=ImageDataGenerator(
rotation_range=40,#随机旋转度数
width_shift_range=0.2,#随机水平平移
height_shift_range=0.2,#随机竖直平移
rescale=1/255,#数据归一化
shear_range=0.2,#随机裁剪
zoom_range=0.2,#随机放大
horizontal_flip=True,#水平翻转
fill_mode='nearest',#填充方式
)
test_datagen=ImageDataGenerator(
rescale=1/255,#数据归一化
)
batch=32#每次训练传入32张照片
#生成训练数据
train_generator=train_datagen.flow_from_directory(
'images/training_set',#从训练集这个目录生成数据
target_size=(150,150),#把生成数据大小定位150*150
batch_size=batch,
)
#测试数据
test_generator=test_datagen.flow_from_directory(
'images/test_set',#从训练集这个目录生成数据
target_size=(150,150),#把生成数据大小定位150*150
batch_size=batch,
)
#查看定义类别分类
print(train_generator.class_indices)
#定义训练模型
#传入生成的训练数据、每张图片训练1次，验证数据为生成的测试数据
model.fit_generator(train_generator,epochs=1,validation_data=test_generator)
其中CNN卷积神经网络的搭建过程就是卷积层、池化层的组合，这部分内容，可以通过学习吴恩达深度学习课程卷积网络那部分来掌握，很好理解。
运行结果：3873张训练集图像分成两类，1080张测试集图像也分成两类。通过查看类别定义，0赋值给‘cats’，1赋值给‘dogs’。因为数据集太大，而本身电脑硬件条件有限，我把数据集和测试集的图片均删掉一半，并把迭代次数设置为一，方便更快看到效果。可以看到，这个模型训练完成后，训练集的精确度只有51%，测试集是56%，并不高。
3.保存模型
#保存模型
#pip install h5py
model.save('model_cnn.h5')然后可以在项目文件夹中看到H5文件
4.测试模型
还是在该文件中
label=np.array(['cat','dog'])#0、1赋值给标签
#载入模型
model=load_model('model_cnn.h5')
#导入图片
image=load_img('images/test_set/cats/cat.4001.jpg')
plt.imshow(image)
plt.show()
image=image.resize((150,150))
image=img_to_array(image)
image=image/255#数值归一化，转为0-1
image=np.expand_dims(image,0)
print(image.shape)
print(label[model.predict_classes(image)])运行结果：
导入的是测试集中这张照片，但因为模型精确度只有50%，所以给出的答案是dog。
再换一张识别度高的猫咪图片试试：
结果就是cat了。
