tensorflow实现猫狗识别

采用tensorflow实现猫狗的识别。首先是进行模型的撰写，然后训练，最后测试。具体的训练图片在网上下载即可

#%%
import tensorflow as tf
import numpy as np
import os

# 
img_width = 208
img_height = 208


#%% 获取图片 及 生成标签
train_dir = ‘G:/tensorflow/cats_vs_dogs/data/train/‘

def get_files（file_dir）:
    ‘‘‘
    args:
        file_dir: file directory
    Returns:
        ist of images and labels
    ‘‘‘
    cats = []
    label_cats = []
    dogs = []
    label_dogs = []
    for file in os.listdir（file_dir）:
        name = file.split（‘.‘）
        if name[0] == ‘cat‘:
            cats.append（file_dir + file）
            label_cats.append（0）
        else:
            dogs.append（file_dir + file）
            label_dogs.append（1）
    print（‘There are %d cats \nThere are %d dogs‘ %（len（cats） len（dogs）））
    
    image_list = np.hstack（（cats dogs）） ## 将图像堆叠在一起
    label_list = np.hstack（（label_cats label_dogs）） ## 将图像标签堆叠在一起
    
    temp = np.array（[image_list label_list]）
    temp = temp.transpose（） #矩阵转置
    np.random.shuffle（temp） # 打乱存放的顺序
    
    image_list = list（temp[: 0]） # 获取图片
    label_list = list（temp[: 1]） # 获取标签
    label_list = [float（i） for i in label_list]
    
    return image_list label_list

#%%
    # 对图片进行裁剪
def get_batch（image label image_W image_H batch_size capacity）:
    ‘‘‘
    args:
        image: list type
        label: list type
        image_W: image_width
        image_H: image_Height
        batch_size:batch size #每批次的图像量
        capacity: the maxmum elements in queue
    Returns:
        image_batch: 4D tensor [batch_size width height 3]dtype=tf.float32
        label_batch: 1D tensor [batch_size] dtype = tf.float32
    ‘‘‘
    # 类型转换函数，返回张量
    image = tf.cast（image tf.string） # 数据类型转换 image->string
    label = tf.cast（label tf.int32）  # 数据类型转换 label->int32
    
    # make an input queue 生成输入对列
    input_queue = tf.train.slice_input_producer（[image label]）
    
    label = input_queue[1] # 读取标签
    image_contents = tf.read_file（input_queue[0]） # 读取图像 string类型
    image = tf.image.decode_jpeg（image_contents channels = 3） #解码

    ########################################
    # data argumentatioan should go to here
    ########################################
    # 对图片进行裁剪或扩充【在图像中心处裁剪】，统一大小
    image = tf.image.resize_image_with_crop_or_pad（image image_W image_H）
    # 数据标准化 训练前需要对数据进行标准化
    image = tf.image.per_image_standardization（image） 
    # 生成批次 在输入的tensor中创建一些tensor数据的batch
    image_batch label_batch = tf.train.batch（[image label]
                                              batch_size = batch_size
                                              num_threads = 64
                                              capacity = capacity） 
    # 重新生成大小，即将label_batch变换成[batch_size]行的形式
    label_batch = tf.reshape（label_batch [batch_size]）
    
    return image_batch label_batch
    
    #%% test ：  matplotlib.pyplot绘图 绘制直线、条形/矩形区域
    import matplotlib.pyplot as plt

    BATCH_SIZE = 5 # 批次中的图像数量
    CAPACITY 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4786  2017-09-13 21:11  import_data.py
     文件        6955  2017-09-13 21:34  model.py
     文件       11297  2017-08-31 10:14  test_import_data.py
     文件        6859  2017-09-14 09:54  training.py