import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

2.1 数据集路径

train_dir = 'C:/Users/胖虎/Desktop/animals/train' test_dir = 'C:/Users/胖虎/Desktop/animals/test'

2.2 数据预处理

train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.1, height_shift_range=0.1, shear_range=0.1, zoom_range=0.1, horizontal_flip=True )

test_datagen = ImageDataGenerator(rescale=1./255)

2.3 加载数据集

train_generator = train_datagen.flow_from_directory( train_dir, target_size=(150, 150), batch_size=32, class_mode='categorical' )

validation_generator = test_datagen.flow_from_directory( test_dir, target_size=(150, 150), batch_size=32, class_mode='categorical' )

构建模型

model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3))) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(256, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Flatten()) model.add(Dense(512, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(256, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(5, activation='softmax'))

3.2 模型编译

model.compile(loss='categorical_crossentropy', optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), metrics=['accuracy'])

4. 模型训练

history = model.fit(train_generator, steps_per_epoch=len(train_generator), epochs=50, # 增加训练轮数 validation_data=validation_generator, validation_steps=len(validation_generator))

保存模型权重

model.save_weights('model.h5')

5. 模型评估

test_loss, test_accuracy = model.evaluate(validation_generator, steps=len(validation_generator)) print('Test Loss:', test_loss) print('Test Accuracy:', test_accuracy)

4.2 训练集和测试集的准确率变化

import matplotlib.pyplot as plt

plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Training and Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show()

plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.title('Training and Validation Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() plt.show()

5.1 模型预测

predictions = model.predict(validation_generator)

import matplotlib.pyplot as plt import numpy as np

5.2 预测展示

class_names = train_generator.class_indices class_names = list(class_names.keys())

plt.figure(figsize=(10, 10)) for i in range(9): plt.subplot(3, 3, i+1) plt.xticks([]) plt.yticks([]) plt.grid(False)

img = validation_generator[i][0][0]  # 获取输入图像
img = np.expand_dims(img, axis=0)  # 添加批次维度
img = img / 255.0  # 归一化像素值

prediction = model.predict(img)  # 预测图像
predicted_label = class_names[np.argmax(prediction[0])]  # 获取预测标签

true_label = class_names[np.argmax(validation_generator[i][1][0])]  # 获取真实标签

plt.imshow(validation_generator[i][0][0], cmap=plt.cm.binary)

if predicted_label == true_label:
    color = 'green'
else:
    color = 'red'

plt.xlabel('Predicted: '{}' '({})'.format(predicted_label, true_label), color=color)

plt.show()

要提高模型的准确率，可以尝试以下方法：

1. 增加训练轮数：将epochs参数增加到更大的值，例如100或200，以便模型有更多的时间进行学习和优化。

2. 调整学习率：尝试不同的学习率，例如1e-3或1e-5，看看哪个学习率在训练过程中可以获得更好的结果。

3. 增加模型的层数：可以尝试添加更多的卷积层和全连接层，以增加模型的复杂性和表达能力。

4. 增加Dropout层的比例：通过增加Dropout层的比例，可以减少过拟合的风险，从而提高模型的泛化能力。

5. 调整数据增强的参数：可以尝试调整ImageDataGenerator的参数，例如增大rotation_range、width_shift_range、height_shift_range、shear_range和zoom_range等，以增加训练数据的多样性和数量。

6. 尝试其他优化器：可以尝试使用其他优化器，例如SGD、RMSprop或Adagrad等，看看是否可以获得更好的结果。

通过尝试不同的方法和参数，可以逐步提高模型的准确率。