卷积神经网络-猫狗识别（附源码）(卷积神经网络包括哪几层)

java8

帖子摘要：一项目描述 该项目将使用卷积神经网络算法识别图片中的动物是猫还是狗 数据集地址https://momodel.cn/explore/5efc77dbc018c95e69fb2a81?typedatas......
, W0 x% W) F) |
大家好，欢迎来到Java吧（www.java8.com），交流、学习Java技术、获取Java资源无任何套路，今天说一说：“卷积神经网络-猫狗识别（附源码）”
1 x, q+ v' g( X) ], \

0 o9 [6 C8 J; V" C        
; h( A' J6 g( J' L  i2 `               
7 Q. Y) Y5 y  }6 C& |, X                    
7 O8 h8 Q* r8 b6 z 一项目描述
该项目将使用卷积神经网络算法识别图片中的动物是猫还是狗
- F: P9 ]( |0 ]7 Q 数据集地址https://momodel.cn/explore/5efc77dbc018c95e69fb2a81?type=dataset
其中训练用的图片数据集在 dogs_cats/data 文件夹下整个数据集分为训练集和测试集其中训练集在 dogs_cats/data/train 文件夹内有 25000 张图片猫狗各 12500 张。 而测试集在dogs_cats/data/test 文件夹内有 12500 张没有标明是猫还是狗
+ d5 M; y4 v+ H4 h! W 部分数据展示如下

" L# u* u* r4 P6 d6 ]- w  
6 ]1 L# t- Y9 \0 S6 a: u   
   

bbfc5769747ef81d28e94d011d380880.png (746.41 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
bbfc5769747ef81d28e94d011d380880.png

   
3 K+ Z& {: n2 y" T, V  
1 L$ {6 P+ o& L. ^1 [) ?7 l  G
二神经网络
4 z5 A% C" ?8 ^1 v' k  s. C 1神经网络结构
可以通过下图进行理解神经网络的基本构成

4 C* }) r2 o2 R- [6 ?9 }; z  
9 B$ b" @  Q6 J  C   
, [4 r7 y" J# \3 M, V  S6 d4 ?   

2f4279d902ff4610e9c5e5bccade0dd5.png (42.03 KB, 下载次数: 0, 售价: 6 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
2f4279d902ff4610e9c5e5bccade0dd5.png

   
2 J6 P5 J# o( t0 Z0 ]  
, ~' U; Q6 @: ~" a1 m- j* W
0 {3 e6 N( A0 P
. L" Z9 `7 p3 r# |4 h; V- N  
* i: W! F  S+ |- x6 a' W7 ?- R! b   
   

f744a4e10729653db89fbb71d09842f3.png (133.3 KB, 下载次数: 0, 售价: 3 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
f744a4e10729653db89fbb71d09842f3.png

   
' m% t5 N0 }+ K4 g3 G  J4 Z  
9 ]: Q  E. L5 q2 o6 f. F- ]5 r
& d2 A, R1 T7 T% Q' ~1 ^: r 2图片在计算机内的储存
   图片在计算机储存由像素点矩阵组成黑白图片的像素点是0-255或者0-1之间的数值代表明暗程度彩色图片是RGB图像RGB表示红绿蓝三原色计算机里所有的颜色都是三原色不同比例组成的即三色通道
" |5 R# w& P8 X$ B0 r: w
- y# G  ]) o: D6 ^; H  
- N- F9 |' n5 J* K% x6 A) l   
/ Q* @; B/ m9 w1 T   

fe2dff1929831a1487c7ed87b2b1d2af.png (121.83 KB, 下载次数: 0, 售价: 6 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
fe2dff1929831a1487c7ed87b2b1d2af.png

   
  

3图像的传递
将二维图像经过flatten 展开成一维输入全连接网络中

  
2 S5 N4 M: ^  @$ E# \   
   

83a50c501b13b24d387fa384f5a3e6c5.png (89.97 KB, 下载次数: 0, 售价: 4 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
83a50c501b13b24d387fa384f5a3e6c5.png

1 g5 r1 o" O! i( p; |% r1 V5 h   
  

2 L. ~) u$ S  D 4训练数据
输入一组照片通过全连接层的处理输出预测值和损失损失越小越接近真实结果因此需要找到最好的参数即让所有的损失和最小那么如何找到最好的参数呢
& m  @/ e8 \) ~. A5 G 现在选用的方法是梯度下降
+ k: Z5 `3 ~) T0 M0 Z/ H
  
   
   
) J1 P$ Y, d' p# v! ]; J! g

3af0eab82307927ee86ffb4cb49e865f.png (58.82 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
3af0eab82307927ee86ffb4cb49e865f.png

   
, r" c; k* M7 N0 r  x  
" {* J" U6 u, C- Y; N

) n& C# \# O; B/ O. r 通过梯度下降不断迭代调整初始参数找到总损失比较小的最佳参数
* G; R+ ~. o! W; r. S7 e' D% s+ E 三卷积神经网络
1图片的特质
图片的一些模式比整张图片小的多
7 ]# ~' x* E; Y3 f; l# y6 v8 a[/ol]
   比如说要识别猫可以只通过猫的一部分特征去进行识别即一个神经元不需要看到整个图像去发现模式可以通过较少的参数连接到小区域
- J4 d% b7 i% Q7 K9 n
  f8 |1 o, m* p2 V' M  
# o9 Z( Z4 \9 m. r8 l   
   

7039172656915f5d92448e22748bf034.png (88.79 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
7039172656915f5d92448e22748bf034.png

8 K! _& A: [( D. ~4 G   
  
. K8 |- ?$ H' y6 B  ^  a
同样的模式可能出现在图像的不同区域
[/ol]
: s: ?; T- p' G. C+ Z 相同的猫耳检测器可以共享参数
  U3 }- \0 d! }; a7 l
  
   
5 G' }; B1 m. s; w4 {   

5cac355732370d427d3f7434500b1af1.png (149.28 KB, 下载次数: 0, 售价: 3 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
5cac355732370d427d3f7434500b1af1.png

   
  r2 B% D8 _8 J$ i4 v$ ?" U  A  
; }- _) |# ]5 }/ ~  k/ v
) H, ^& j/ L7 _5 m& @$ n2 k 对图像进行缩放不会改变图像中的物体
[/ol]
当图片很大时图片的像素点也会很多那么图片传入神经网络后连接数就会很多参数就会多。缩放后可以使参数减少简化问题
7 |# M: f7 I6 x) D3 x& ~7 ^. f 2CNN模型

  
- s; y8 J6 V+ e% @   
  {7 y$ V4 Z$ M, U: L; |9 G   
2 L4 d% K8 {5 H' N0 d8 r* W! R+ O% B

5d7af553c898a181a538b2c93ac02314.png (154.11 KB, 下载次数: 0, 售价: 4 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
5d7af553c898a181a538b2c93ac02314.png

   
4 b9 E, I, d6 t4 |  
2 y$ q) `  j3 M. U; f% W
卷积层
3 I0 V+ n' y( y4 l( [+ i) j[/ol]
   卷积核在原始图片中起到探测模式的作用。可以发现卷积核的维度比原始图像要小实现卷积的过程就是开始时让卷积核从原始图像左上角对齐对应每个小格子位置相乘再将所有的结果相加得到卷积结果矩阵的第一个值再将卷积核向右移动遍历原始图像以此类推
) r1 _! \  D5 V- u' A$ T; O- O
  
* ^# @# S$ F9 {) }7 g   
   

aa5c1af83e04770f3201745222ccef7a.png (72.02 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
aa5c1af83e04770f3201745222ccef7a.png

   
  
2 F/ r3 s* g! j' }  K6 B# X
不同的卷积核有不同的效果而其中的值都是需要学习的参数
例原始图片是8x8像素的卷积核是3x3像素的卷积结果是多少像素的
, d8 K9 y2 W; L. I 答6x6像素8x8矩阵减去边缘一圈即8-2=6
  1边界处理
+ Z- ]/ a" Q) E2 ^ 有两种边界处理方式Full Padding和Same Padding

  
   
   
5 Z6 ]% {' I) K2 M; z+ u6 w+ D

e45663749eeb95a1e093f802cb8a989a.png (292.47 KB, 下载次数: 0, 售价: 1 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
e45663749eeb95a1e093f802cb8a989a.png

   
  
- ^, Y9 F% M+ j4 Q0 K0 m& b& @
0 ]* F- k+ S4 Q) f+ a; ]5 _ 2Stride: 卷积核每次移动的步长
7 H# h/ O  b- n# R" U" b( q 最大池化层
. \  w6 x. c( Z0 Q[/ol]
$ Q$ K3 }5 N" @1 `& k 在每个小区域内最大值取出来组合起到图像缩放的作用减少参数

  
   
  e' b$ N8 |# ^3 s   
) n3 S1 O+ f- T: A$ k

45cc5f49033cc06551b55a776dc61c99.png (55.82 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
45cc5f49033cc06551b55a776dc61c99.png

   
  
% m+ |. H  Y- J* X7 f
Flatten层
( r2 L& s; O- A8 Q5 W1 c[/ol]
将二维图像经过flatten 展开成一维输入全连接层中
3keras
Sequential 模型非常简单只支持单输入单输出的模型适用于70%的应用场景
" E3 {6 w  j. g% b 函数式API支持多输入多输出模型适用于95%的应用场景
建立一个全连接层

import keras
' d  T  g) O3 ^9 R& I0 W: m& [
from keras import layers#导入层结构
8 Y( A, @8 X" r3 F* g) W+ I; r; _9 o
model = keras.Sequential()  #建立序列模型
# 全连接层本层神经元个数激活函数输入图片参数值数量
model.add(layers.Dense(20, activation='relu', input_shape=(10,))) 
model.add(layers.Dense(20, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
: {' s! d: t5 X% W0 E& ?( ?
# 训练模型
# x-样本数据即图片y-图片标签epochs=处理图片的次数batch_size=一次性处理几张图片
$ j& t7 z& w: Q1 h( _: W- i
model.fit(x, y, epochs=10, batch_size=32)
复制代码

" W2 g4 C  \4 n, ~$ |" r+ A% ^' C 建立一个卷积层
) m' @5 ~' i1 ^, ]. B+ U0 c4 i

keras.layers.Conv2D(filters, kernel_size, strides=(1,1), padding='valid', data_format=None)
$ V) r9 Q- d( V0 R: j1 G0 i4 p
# filters: 输出空间的维度
# kernel_size: 1个整数或2个整数表示的元组2D卷积窗口的宽度和高度
# strides: 2个整数表示的元组卷积沿宽度和高度方向的步长
! Y5 k: P0 X" Z$ g
# padding: 边界处理的方法,"valid"或"same"
复制代码

建立一个最大池化层

keras.layers.MaxPooling2D(pool_size=(2,2), strides=None, padding='valid', data_format=None )
& J# X' {. c( K0 i  f3 M5 F+ ?
# pool_size: 沿垂直水平方向缩小比例的因数如果只有一个整数则两个维度使用相同窗口长度
3 r2 F6 F2 h; Z& g2 I, [+ l
# strides: 2个整数表示的元组步长值None表示默认值pool_size
# padding: 边界处理的方法,"valid"或"same"
复制代码

四代码实现
+ B0 L6 l. B: h# y! W 完整代码在末尾所有的文件路径都需要修改成自己的文件路径喔
1定义一个基础CNN模型
% Y7 o0 D& n3 @  T1 \ 其中卷积层的卷积核数量为32卷积核尺寸为3x3激活函数为ReLUpadding设置为same最大池化层的尺寸为2x2
2 K$ y) Q3 i: h! I

#todo:创建一个cnn模型
def define_cnn_model():
    #使用序列模型
    model = Sequential()
    #卷积层
. A3 x7 O0 H3 c% U, P7 y
    model.add(Conv2D(32, (3,3), activation="relu",
                    kernel_initializer='he_uniform',
                    padding="same",
                    input_shape=(200,200,3)))
$ s0 q. o; z- C- t
    '''卷积核数量卷积核维度激活函数padding图片像素200x2003代表彩色图片'''
    #最大池化层
9 X/ M/ V) Q, \* x
    model.add(MaxPooling2D((2,2)))
2 t/ D& p* f0 e
    #Flatten 层
    model.add(Flatten())
    #全连接层
    model.add(Dense(128, activation="relu",kernel_initializer='he_uniform' ))
% q. B, ^) m' }& ?% n  y- z
    model.add(Dense(1, activation="sigmoid"))#输出层01sigmoid模型实现输出值0~1之间分别代表猫狗
    #编译模型
    opt = SGD(lr=0.001, momentum=0.9)#优化器随机梯度下降为模型找到最佳的参数
6 F, N2 @  G3 @. V' \
    model.compile(optimizer=opt,
# W! a; i: [7 Y6 A, V# ]
                   loss='binary_crossentropy',
2 O+ V8 u2 y& n$ T+ n0 _; Y. D
                   metrics=['accuracy'])
    return model
7 t1 _7 s1 a" b( T" w& _8 O# B
#打印模型图片
from keras.utils import plot_model
model = define_cnn_model()
plot_model(model,
           to_file='cnn_model.png',
           dpi = 100,
  o" B7 Z& `4 \' \: v
           show_shapes=True,
           show_layer_names=True)
( R; Y$ @5 h7 u2 `  i7 f
复制代码

/ M, @& \* B) Q; I' ^ 打印出卷积神经网络模型图为
2 u1 d3 G; D8 A7 o$ a: E- F
  
" ~' z' w+ z" t4 t0 P   
5 Y" q# F; e" O2 i6 r   
& B6 J" ?0 ]% ?6 P: y  y1 }1 d

a7635aafde06085249d03daafad58917.png (37.18 KB, 下载次数: 0, 售价: 2 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
a7635aafde06085249d03daafad58917.png

   
  

- H5 h- i: v2 y; h 训练模型
1 y8 D( l  Y  q( t7 I) m2 f( g4 f

#训练模型
def train_cnn_model():
& ]; X: w& D) @( z5 m
    #实例化模型
    model = define_cnn_model()
    #创建图片生成器,产生图片并输入
    datagen = ImageDataGenerator(rescale=1.0 / 225.0)
$ Z0 ~+ p) m+ [2 T  a* y
    train_it = datagen.flow_from_directory(
3 o* y3 Y+ F, W3 N) ?# _. t
        'C:\\Users\\Alixy\\Desktop\\ma1ogo3ushu4ju4ji2\\dogs_cats\\data\\train',
        class_mode='binary',
! M" |1 @6 s5 W- ?) u: K) h) C
        batch_size=64,  #一次产生并输入64张图片
        target_size=(200, 200)  #缩放图片为200x200和输入图片大小相同
) S# K: L3 G' Z9 Z: H1 v
        )
  o0 `1 G5 w/ b7 l9 j
   #训练模型
    model.fit_generator(train_it,
: F9 j% _  a; g# R$ B1 c# `  {
                        steps_per_epoch=len(train_it),
                        epochs=20,
                        verbose=1 )
    #把模型保存到文件夹basic_cnn_result.h5是提前就创建好的用来保存模型的
    model.save("D:\\python\\python\\MCM\\Data_clean\\basic_cnn_result.h5")
复制代码

9 r$ V1 {$ p. p1 F' ?7 u$ H 运行训练模型
9 L4 P% A5 D, b# r, g

if __name__ == "__main__":
" p% s4 g5 y1 F
   train_cnn_model()
复制代码

这个构建的CNN模型在迭代20个epoch时可以达到约95%的准确率是一个不错的结果
使用训练好的模型做一些预测
从测试文件夹中随机读取一张照片并进行判断
5 w" h$ M. n6 }

#定义函数读取测试文件夹中的照片
def read_random_image():
    folder = r'C:\\Users\\Alixy\Desktop\\ma1ogo3ushu4ju4ji2\\dogs_cats\\data\\test\\'
    file_path = folder + random.choice(os.listdir(folder))
    print(file_path)
    pil_im = Image.open(file_path, 'r')
    return pil_im
$ B0 h$ f3 J# Z" u  t8 Z1 r
#对一个使用模型对读取出的图片进行预测
def get_predict(pil_im, model):
    #对图片进行缩放
    pil_im = pil_im.resize((200,200)) #这里很重要要符合后面输入图片规定的大小
    #将格式转换为 numpy array 格式
( J4 m$ H0 q9 A) J# p" p' ~' m
    array_im = np.asarray(pil_im)
    array_im = np.expand_dims(array_im, axis=0)
4 }  t- @. A' U! I  w
    #对图片进行预测
' }/ O3 C  V# Y! V# ?- ^6 ]' y
    result = model.predict(array_im)
    if result[0][0] > 0.5:
        print("预测结果是狗")
3 M4 P( n% x0 v) l8 u+ S) V
    else:
        print("预测结果是猫")
: _4 O: y' \- V0 f; g6 `6 ~/ I
pil_im = read_random_image()
; Q0 a* y+ k& e/ `' X
get_predict(pil_im, model)
8 r0 V8 l3 C9 H& X8 e$ }
pil_im.show(np.asarray(pil_im)) #显示随机选取的照片
复制代码

输出结果
/ h8 m' E3 p; o* f* j
  
   
- r! Y4 C2 ]/ r% C- J& r   

e8f9214e02368cbcaf5c03b6ea5ef47a.png (21.28 KB, 下载次数: 0, 售价: 3 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
e8f9214e02368cbcaf5c03b6ea5ef47a.png

   
; y# D- j$ {" n/ `/ A5 e% C  
% t# S+ D' S0 j0 s
3 A6 c/ Z2 I9 Z& l& c7 J# C* U
  
   
   
4 D  q0 p& ]1 d" e( S

7796d26282f7d293f4ed2e50062533d7.png (239.9 KB, 下载次数: 0, 售价: 3 金钱)

2023-1-19 14:26 上传

点击文件名下载附件
7796d26282f7d293f4ed2e50062533d7.png

! o; ~' {) }7 w. Y4 N   
  
& }* H/ \5 z5 s! ^: j( L( d; \
1 i- m; K- ?: {# S9 m* y' E 2完整代码
& M# @/ e1 j% i9 \. Z CNN_train.py
[/ol]
; m" L; r' \$ p0 y; o2 H

#导入需要的包
! `3 F% L1 t$ @" z' k% d
import sys
from matplotlib import pyplot
from keras.utils import to_categorical
5 ~7 {7 ?# i9 f! v* \3 w/ s% _. n
from keras.models import Sequential
" S9 h( d0 m  a" B8 |- @1 `
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Dense
from keras.layers import Flatten
from keras.optimizers import SGD
from keras.preprocessing.image import ImageDataGenerator
import tensorflow as tf
tf.compat.v1.logging.set_verbosity(tf.compat.v1.logging.ERROR)
#todo:创建一个cnn模型
$ F+ ~* P: m& G. [/ F' z  K
def define_cnn_model():
    #使用序列模型
    model = Sequential()
    #卷积层
7 P2 W4 \6 w8 `* a, Z+ M& }6 f
    model.add(Conv2D(32, (3,3), activation="relu",
& O# q- i7 P( P, S
                    kernel_initializer='he_uniform',
5 C, F7 a# |1 S9 k* A; t
                    padding="same",
: A. D; N% D0 ^
                    input_shape=(200,200,3)))
    '''卷积核数量卷积核维度激活函数padding图片像素200x200'''
/ M7 S4 E/ u  V
    #最大池化层
0 S: B: E+ ~; E! \2 S! N
    model.add(MaxPooling2D((2,2)))
4 O& l0 C/ A. P$ C8 u* J) J
    #Flatten 层
- `: V/ Y$ O: Q# i7 h6 c) b& C
    model.add(Flatten())
) P+ v% x' S5 h/ I: n4 a/ y$ y5 _& J
    #全连接层
% B' i& O$ j! E
    model.add(Dense(128, activation="relu",kernel_initializer='he_uniform' ))
    model.add(Dense(1, activation="sigmoid"))#输出层01sigmoid模型实现输出值0~1之间分别代表猫狗
2 G$ |9 `, p/ h$ Z" F
    #编译模型
, C" w# L0 b# w3 P" j" C
    opt = SGD(lr=0.001, momentum=0.9)#优化器随机梯度下降为模型找到最佳的参数
+ P3 u, m' k6 S& Y/ K
    model.compile(optimizer=opt,
( g" w. m( b0 p( o0 p! z, p8 a
                   loss='binary_crossentropy',
                   metrics=['accuracy'])
    return model
#打印模型图片
from keras.utils import plot_model
( V+ G- g, a5 O
model = define_cnn_model()
, l, E  H* ?. j' Z
plot_model(model,
           to_file='cnn_model_basic.png',
           dpi = 100,
3 ^8 W0 q" C  T& M6 d% z1 G
           show_shapes=True,
           show_layer_names=True)
#训练模型
def train_cnn_model():
) Z/ K( P5 A$ j2 K
    #实例化模型
    model = define_cnn_model()
+ k0 n! `8 B& t, U9 S! M1 Z
    #创建图片生成器,产生图片并输入
    datagen = ImageDataGenerator(rescale=1.0 / 225.0)
" @9 S2 M/ h1 R6 y
    train_it = datagen.flow_from_directory(
        'C:\\Users\\Alixy\\Desktop\\ma1ogo3ushu4ju4ji2\\dogs_cats\\data\\train',
: R- f4 @  S- ^6 h/ {" A
        class_mode='binary',
        batch_size=64,  #一次产生并输入64张图片
. U$ q% ^. k8 N- y7 T7 i: R8 @6 H
        target_size=(200, 200)  #缩放图片为200x200和输入图片大小相同
        )
  {3 @2 f: d& w1 c  I" i2 a
   #训练模型
! g, s2 l7 W7 }0 E4 E+ {
    model.fit_generator(train_it,
                        steps_per_epoch=len(train_it),
                        epochs=20,
4 e5 x# \7 L/ t
                        verbose=1 )
    #把模型保存到文件夹
    model.save("D:\\python\\python\\MCM\\Data_clean\\basic_cnn_result.h5")
if __name__ == "__main__":
   train_cnn_model()
复制代码

CNN_predict.py
4 t+ A0 ?: V* u[/ol]

from keras.models import load_model
#模型地址
model_path = 'D:\\python\\python\\MCM\\Data_clean\\basic_cnn_result.h5'
#载入模型
model = load_model(model_path)
7 Y& [. A6 Y' Q1 P: H% \- f' G
import os, random
import numpy as np
from PIL import Image
8 {7 m! x5 S& S4 M, t* A. R' s  e9 I
#定义函数读取测试文件夹中的照片
def read_random_image():
    folder = r'C:\\Users\\Alixy\Desktop\\ma1ogo3ushu4ju4ji2\\dogs_cats\\data\\test\\'
    file_path = folder + random.choice(os.listdir(folder))
9 |3 b+ M/ z2 H- E
    print(file_path)
* X4 A5 o& ]3 m; _) q6 ]6 ]+ L
    pil_im = Image.open(file_path, 'r')
    return pil_im
#对一个使用模型对读取出的图片进行预测
def get_predict(pil_im, model):
% {0 k9 S* S; b+ j& w
    #对图片进行缩放
) `6 d+ k; V( u0 _, u
    pil_im = pil_im.resize((200,200))
    #将格式转换为 numpy array 格式
- _* l7 Z' W4 B" u6 `
    array_im = np.asarray(pil_im)
, d7 s: v% w' R4 N+ s
    array_im = np.expand_dims(array_im, axis=0)
    #对图片进行预测
: e/ T- ^  R4 B" Z) Y2 B6 ]
    result = model.predict(array_im)
4 {! F6 Y1 L, k' z3 u0 Y% W8 B7 W& W
    if result[0][0] > 0.5:
7 }1 }1 w- |, C) _
        print("预测结果是狗")
8 s+ S# C) l" ^# }* Q6 {9 z* q
    else:
$ ^: O4 x2 E4 B, ^# Z
        print("预测结果是猫")
pil_im = read_random_image()
get_predict(pil_im, model)
pil_im.show(np.asarray(pil_im)) #显示随机选取的照片
复制代码

有错误欢迎指正
3 U8 ^; K' r" G. m; [# O
* d* Z4 x6 p$ Y+ o
. L7 T0 Z1 B2 ]4 t- d& a本文来源csdn，由Java吧转载发布，观点不代表Java吧的立场，转载请标明来源出处：https://www.java8.com