这是一个基于卷积神经网络（CNN）实现的猫狗分类系统。通过深度学习，模型能够识别图像中的猫或狗，输出其类别及概率。该项目主要分为数据预处理、模型构建、训练和评估四个部分。
cats_vs_dogs/
├── data/
│ ├── train/
│ │ ├── cat.1.jpg
│ │ ├── dog.1.jpg
│ │ ├── ...
│ └── test/
│ ├── 1.jpg
│ ├── 2.jpg
│ └── ...
│
├── image/ # 训练图&结果图
├── log/ # 训练模型和参数(学习率0.0001)
├── res/ # 存放classify.py分类结果
│
├── input_data.py # 数据预处理，加载图片及标签
├── model.py # 定义CNN神经网络模型
├── training.py # 模型训练和保存
├── test.py # 模型测试与预测
├── classify.py # 预测200张图片并分类
│
└── README.md # 项目说明文档
- Python 3.12.2
- TensorFlow 2.18.0 (使用
tensorflow.compat.v1模式) - NumPy
- Matplotlib
- Pillow
可以使用 pip 安装项目所需的依赖包：
pip install tensorflow==1.15 numpy matplotlib pillow需要准备一个猫狗数据集，该数据集应包含猫和狗的图片。
data/
├── train/
│ ├── cat.1.jpg
│ ├── dog.1.jpg
│ ├── ...
└── test/
├── 1.jpg
├── 2.jpg
└── ...
其中，train/ 文件夹包含猫狗图片，test/ 文件夹用于存放测试图片。标签由文件夹的名称确定（train/cat 表示猫，train/dog 表示狗）。
在 input_data.py 文件中，get_files 函数会读取指定目录下的图片文件并生成标签。get_batch 函数则会对图片进行批量处理、缩放和标准化操作。
训练模型使用 training.py 文件。执行此脚本时，模型将根据准备好的数据进行训练，并保存模型参数。
可以修改以下训练参数：
BATCH_SIZE = 16 # 每批次读取数据的数量
CAPACITY = 2000 # 队列最大容量
MAX_STEP = 10000 # 训练最大步数，一般5K~10k
learning_rate = 0.0001 # 学习率，一般小于0.0001执行训练脚本：
python training.py训练过程中每隔50步打印一次当前的loss以及acc。每100步记录数据并描点作图。每5000步会保存一次训练好的模型，最终保存的模型将用于测试和预测。训练结束将打印训练图。
训练完成后，可以使用 test.py 对新图片进行分类预测。该脚本会随机从测试集目录中选择一张图片，并使用训练好的模型进行分类预测，输出图像属于猫或狗的概率。
执行测试脚本：
python test.py此脚本会显示选取的测试图片，并打印出该图片是猫还是狗的预测结果以及对应的概率。
-
input_data.py：get_files: 获取训练集中的图像文件路径及对应标签。get_batch: 批量加载和处理图像，进行图像的缩放和标准化。
-
model.py：cnn_inference: 定义卷积神经网络的结构，包含卷积层、池化层、全连接层。losses: 计算损失函数（交叉熵）。training: 定义训练操作，使用 Adam 优化器来最小化损失。evaluation: 计算模型的准确率。
-
training.py：- 负责模型训练，包括获取数据批次、计算损失、更新模型参数和保存模型。
- ，每100步记录训每50步打印一次当前损失和准确率练过程中的准确率和损失值，每5000步保存一次训练模型。
-
test.py：- 加载训练好的模型，并对随机选取的一张图片进行猫狗分类预测。
- 显示预测结果以及对应的概率。
- 在训练过程中，模型的损失和准确率会显示在控制台，并且每5000步保存一次模型。
test.py会输出一张测试图片以及该图片是猫还是狗的预测结果。
- 确保数据集路径正确，并且训练集和测试集的图像格式一致。
- 该项目使用 TensorFlow 1.x，如果你使用的是 TensorFlow 2.x，确保启用了兼容模式：
import tensorflow.compat.v1 as tf并调用tf.disable_v2_behavior()。
