在這篇文章中，將教大家實現(xiàn)一個網(wǎng)頁應(yīng)用程序，該程序可以接收狗的圖片，然后輸出其品種，其準(zhǔn)確率超過80％！

我們將使用深度學(xué)習(xí)來訓(xùn)練一個識別狗品種的模型，數(shù)據(jù)集是狗圖像與他們的品種信息，通過學(xué)習(xí)圖像的特征來區(qū)分狗的品種。數(shù)據(jù)分析數(shù)據(jù)集可以從這里下載（https：／／s3－us－west－1．a(chǎn)mazonaws．com／udacity－aind／dog－project／dogImages．zip）。以下是關(guān)于數(shù)據(jù)的一些介紹：犬種總數(shù)：133狗圖片總數(shù)：8351（訓(xùn)練集：6680，驗證集：835，測試集：836）最受歡迎的品種：阿拉斯加對應(yīng)96個樣本，博德牧羊犬對應(yīng)93個樣本按圖片數(shù)量排序的前30個品種如下：

我們還可以在這里看到一些狗的圖片和它們的品種：

數(shù)據(jù)預(yù)處理我們會把每個圖像作為一個numpy數(shù)組進(jìn)行加載，并將它們的大小調(diào)整為224x224，這是大多數(shù)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)接受圖像的默認(rèn)大小，另外我們?yōu)閳D像的數(shù)量添加為另一個維度。from keras．preprocessing import image                  from tqdm import tqdm

def path＿to＿tensor（img＿path）：    ＇＇＇將給定路徑下的圖像轉(zhuǎn)換為張量＇＇＇    img ＝ image．load＿img（img＿path， target＿size＝（224， 224））    x ＝ image．img＿to＿array（img）    return np．expand＿dims（x， axis＝0）

def paths＿to＿tensor（img＿paths）：    ＇＇＇將給定路徑中的所有圖像轉(zhuǎn)換為張量＇＇＇    list＿of＿tensors ＝ ［path＿to＿tensor（img＿path） for img＿path in tqdm（img＿paths）］    return np．vstack（list＿of＿tensors）最后，我們使用ImageDataGenerator對圖像進(jìn)行動態(tài)縮放和增強(qiáng)train＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255，                                                horizontal＿flip＝True，                                                vertical＿flip＝True，                                                rotation＿range＝20）

valid＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255．）

test＿datagen ＝ tf．keras．preprocessing．image．ImageDataGenerator（rescale＝1．／255．）

train＿generator ＝ train＿datagen．flow（train＿tensors， train＿targets， batch＿size＝32）valid＿generator ＝ train＿datagen．flow（valid＿tensors， valid＿targets， batch＿size＝32）test＿generator ＝ train＿datagen．flow（test＿tensors， test＿targets， batch＿size＝32）CNN我們將在預(yù)處理數(shù)據(jù)集上從頭開始訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN），如下所示：model ＝ tf．keras．models．Sequential（［    tf．keras．layers．Conv2D（16， （3，3）， activation＝＇relu＇， input＿shape＝（224， 224， 3）），    tf．keras．layers．MaxPooling2D（2， 2），    tf．keras．layers．Conv2D（32， （3，3）， activation＝＇relu＇），    tf．keras．layers．MaxPooling2D（2，2），    tf．keras．layers．Conv2D（64， （3，3）， activation＝＇relu＇），    tf．keras．layers．MaxPooling2D（2，2），    tf．keras．layers．Conv2D（128， （3，3）， activation＝＇relu＇），    tf．keras．layers．MaxPooling2D（2，2），    tf．keras．layers．Conv2D（256， （3，3）， activation＝＇relu＇），    tf．keras．layers．MaxPooling2D（2，2），    tf．keras．layers．Flatten（），    tf．keras．layers．Dense（2048， activation＝＇softmax＇），    tf．keras．layers．Dropout（0．5），    tf．keras．layers．Dense（1024， activation＝＇softmax＇），    tf．keras．layers．Dropout（0．5），    tf．keras．layers．Dense（133， activation＝＇softmax＇）］）

model．compile（optimizer＝＇rmsprop＇， loss＝＇categorical＿crossentropy＇， metrics＝［＇accuracy＇］）

checkpointer ＝ tf．keras．callbacks．ModelCheckpoint（filepath＝＇．．／saved＿models／weights＿best＿custom．hdf5＇，                                verbose＝1， save＿best＿only＝True）