图像分类模型训练：猫狗识别

导入所需的库和模块

import os # 对文件和目录进行操作 import numpy as np # 处理数组和矩阵 import matplotlib.pyplot as plt # 绘图库 import tensorflow as tf # 深度学习框架 from tensorflow import keras # TensorFlow中的高级API from tensorflow.keras import layers # TensorFlow中的各种层

定义训练集和测试集路径

train_dir = 'C:/Users/28938/Desktop/image/image/train' test_dir = 'C:/Users/28938/Desktop/image/image/test'

定义类别标签

class_names = ['cats', 'dogs']

定义图像尺寸和批次大小

img_height = 224 img_width = 224 batch_size = 32

从目录中读取训练集和测试集

train_ds = keras.preprocessing.image_dataset_from_directory( train_dir, validation_split=0.2, # 划分验证集的比例 subset='training', # 使用训练集的一部分作为训练集 seed=42, # 随机种子，保证每次运行时划分的数据集相同 image_size=(img_height, img_width), # 设置图像的大小 batch_size=batch_size # 设置批次大小 ) val_ds = keras.preprocessing.image_dataset_from_directory( train_dir, validation_split=0.2, # 划分验证集的比例 subset='validation', # 使用训练集的一部分作为验证集 seed=42, # 随机种子，保证每次运行时划分的数据集相同 image_size=(img_height, img_width), # 设置图像的大小 batch_size=batch_size # 设置批次大小 ) test_ds = keras.preprocessing.image_dataset_from_directory( test_dir, seed=42, # 随机种子，保证每次运行时划分的数据集相同 image_size=(img_height, img_width), # 设置图像的大小 batch_size=batch_size # 设置批次大小 )

定义数据增强器

data_augmentation = keras.Sequential( [ layers.experimental.preprocessing.RandomFlip('horizontal', input_shape=(img_height, img_width, 3)), # 随机水平翻转 layers.experimental.preprocessing.RandomRotation(0.1), # 随机旋转 layers.experimental.preprocessing.RandomZoom(0.1), # 随机缩放 layers.experimental.preprocessing.RandomCrop(img_height, img_width), # 随机裁剪 layers.experimental.preprocessing.Rescaling(1./255), # 像素值缩放到[0,1]之间 layers.experimental.preprocessing.RandomContrast(0.1), # 随机对比度 layers.experimental.preprocessing.RandomSaturation(0.1), # 随机饱和度 ] )

定义模型输入

input_shape = (img_height, img_width, 3) model = keras.Sequential([ data_augmentation, # 数据增强 layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape), # 卷积层 layers.MaxPooling2D(pool_size=(2, 2)), # 最大池化层 layers.Dropout(0.2), # Dropout层，防止过拟合 layers.Conv2D(64, (3, 3), activation='relu'), # 卷积层 layers.MaxPooling2D(pool_size=(2, 2)), # 最大池化层 layers.Dropout(0.2), # Dropout层，防止过拟合 layers.Conv2D(128, (3, 3), activation='relu'), # 卷积层 layers.MaxPooling2D(pool_size=(2, 2)), # 最大池化层 layers.Dropout(0.2), # Dropout层，防止过拟合 layers.Flatten(), # 展平层，将多维输入一维化 layers.Dense(128, activation='relu'), # 全连接层 layers.Dense(len(class_names), activation='softmax') # 输出层，使用softmax激活函数进行多分类 ])

编译模型

model.compile(optimizer='adam', # 优化器，使用Adam算法 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), # 损失函数，使用交叉熵损失 metrics=['accuracy']) # 评估指标，使用准确率

设定训练参数

epochs = 30 # 训练迭代次数

定义模型checkpoint

checkpoint_path = 'model_checkpoint/cp.ckpt' # 模型权重保存路径 checkpoint_dir = os.path.dirname(checkpoint_path) # 模型权重保存目录 checkpoint = tf.keras.callbacks.ModelCheckpoint(checkpoint_path, # 模型保存路径 save_weights_only=True, # 只保存权重 save_best_only=True, # 只保存最好的模型 monitor='val_accuracy', # 监控指标为验证集准确率 mode='max', # 监控模式为最大值 verbose=1) # 显示保存信息

定义学习率衰减策略

lr_decay = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', # 监控指标为验证集损失 factor=0.1, # 学习率衰减因子 patience=5, # 没有改善时的停止轮数 verbose=1, # 显示学习率衰减信息 mode='auto', # 模式自动选择 min_delta=0.0001, # 最小变化量 cooldown=0, # 冷却时间 min_lr=0) # 最小学习率

开始训练模型

history = model.fit(train_ds, # 训练集 validation_data=val_ds, # 验证集 epochs=epochs, # 训练迭代次数 callbacks=[checkpoint, lr_decay]) # 回调函数

加载最佳模型权重

model.load_weights(checkpoint_path)

对模型进行评估

test_loss, test_acc = model.evaluate(test_ds) # 使用测试集评估模型 print('Test accuracy:', test_acc)

对模型进行预测

predictions = model.predict(test_ds) # 使用测试集进行预测

获取类别标签

labels = train_ds.class_names

打印类别标签

print('类别标签:', labels)

混淆矩阵和分类报告

from sklearn.metrics import confusion_matrix, classification_report # 导入混淆矩阵和分类报告函数

获取测试集真实标签

test_labels = [] for images, labels in test_ds: test_labels.append(labels.numpy()) test_labels = np.concatenate(test_labels)

获取预测标签

predicted_labels = np.argmax(predictions, axis=1)

计算混淆矩阵和分类报告

cm = confusion_matrix(test_labels, predicted_labels) # 计算混淆矩阵 report = classification_report(test_labels, predicted_labels, target_names=class_names) # 计算分类报告

打印混淆矩阵和分类报告

print('Confusion Matrix:') print(cm) print(' Classification Report:') print(report)

绘制模型准确度和损失随时间变化的曲线

acc = history.history['accuracy'] # 获取训练集准确度随时间变化的曲线 val_acc = history.history['val_accuracy'] # 获取验证集准确度随时间变化的曲线 loss = history.history['loss'] # 获取训练集损失随时间变化的曲线 val_loss = history.history['val_loss'] # 获取验证集损失随时间变化的曲线 epochs_range = range(epochs) # 定义迭代次数的范围 plt.figure(figsize=(8, 8)) # 创建一个图像窗口 plt.subplot(2, 1, 1) # 创建子图，绘制训练集和验证集准确度随时间变化的曲线 plt.plot(epochs_range, acc, label='Training Accuracy') plt.plot(epochs_range, val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.title('Training and Validation Accuracy') plt.subplot(2, 1, 2) # 创建子图，绘制训练集和验证集损失随时间变化的曲线 plt.plot(epochs_range, loss, label='Training Loss') plt.plot(epochs_range, val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show()

选择一张测试图片

test_image_path = 'C:/Users/28938/Desktop/image/image/test/cats/cat.4004.jpg'

读取并预处理图片

img = keras.preprocessing.image.load_img( test_image_path, target_size=(img_height, img_width) ) img_array = keras.preprocessing.image.img_to_array(img) img_array = tf.expand_dims(img_array, 0) # 创建一个批次维度

预测图片类别

predictions = model.predict(img_array) score = tf.nn.softmax(predictions[0])

显示图片和预测结果

plt.imshow(img) plt.axis('off') plt.show() print('预测结果: {}, 置信度: {:.2f}%'.format(class_names[np.argmax(score)], 100 * np.max(score)))