目录
一、tensorflow库安装
（1）TensorFlow的历史版本与对应Python版本
（2）Python版本查询
（3）找到上面的版本框进行对应的TensorFlow下载
（4）安装成功
（5）TensorFlow成功验证
二、项目简介
（1）项目说明
（2）项目目的
三、实现过程
（1）库导入
（2）匹配图形
（3）定义图像以及测试集与验证集路径确认
（4）模型训练参数设置
（5）维度定义与图像生成器
（6）卷积神经网络各层次设置
（7）函数回调结果注入训练
（8）训练结果可视化
一、tensorflow库安装 （1）TensorFlow的历史版本与对应Python版本
| TensorFlow版本 | Python | 发布时间 |
| tensorflow-2.4.0 | 3.6-3.8 | 2020年12月 |
| tensorflow-2.3.0 | 3.5-3.8 | 2020年7月 |
| tensorflow-2.2.0 | 3.5-3.8 | 2020年5月 |
| tensorflow-2.1.0 | 3.5-3.7 | 2020年1月 |
| tensorflow-2.0.0 | 3.5-3.7 | 2019年10月 |
| tensorflow-1.15.0 | 3.5-3.7 | 2019年10月 |
| tensorflow-1.14.0 | 3.5-3.7 | 2019年6月 |
| tensorflow-1.13.0 | 3.5-3.7 | 2019年2月 |
| tensorflow-1.12.0 | 3.5-3.6 | 2018年11月 |
| tensorflow-1.11.0 | 3.5-3.6 | 2018年9月 |
| tensorflow-1.10.0 | 3.5-3.6 | 2018年8月 |
| tensorflow-1.9.0 | 3.5-3.6 | 2018年7月 |
| tensorflow-1.8.0 | 3.5-3.6 | 2018年4月 |
| tensorflow-1.7.0 | 3.5-3.6 | 2018年3月 |
| tensorflow-1.6.0 | 3.5-3.6 | 2018年3月 |
| tensorflow-1.5.0 | 3.5-3.6 | 2018年1月 |
| tensorflow-1.4.0 | 3.5-3.6 | 2017年11月 |
| tensorflow-1.3.0 | 3.5-3.6 | 2017年8月 |
| tensorflow-1.2.0 | 3.5-3.6 | 2017年6月 |
| tensorflow-1.1.0 | 3.5 | 2017年4月 |
| tensorflow-1.0.0 | 3.5 | 2017年2月 |
在配置了python环境变量的情况下可以使用以下方法：
win+R或者在搜索框搜索cmd打开Windows的终端，在终端输入python --version
未配置python环境的情况下，使用anaconda prompt终端查询版本号以及后面的操作。
（3）找到上面的版本框进行对应的TensorFlow下载当时安装时并没有想到版本问题会影响TensorFlow后续的使用，就随便选了一个版本，当然你想选择一样的版本也行，后续做法跟我的做法会是一样的。
这里我们从清华园下载TensorFlow的镜像文件,后面是版本号
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14
注意：
①这里的命令运行时在Windows的终端下直接运行，前提是有Python环境
②若下载遇到非环境的报错，请复制Downloading后的网址，直接去网址上下载安装文件，然后切换到，下载路径，用pip insatll 下载的文件后缀为.whl文件
（4）安装成功安装时出现如下情况就是安装成功
（5）TensorFlow成功验证导入TensorFlow库做一个简单的计算
import tensorflow as tf sess = tf.Session() a = tf.constant(10) b = tf.constant(12) sess.run(a+b)
得到如下结果就证明安装成功
注：
在验证阶段可能会出现如下错误
第一个是jupyter的报错，第二个是anaconda的报错信息
这是因为有得机器protobuf版本等级与TensorFlow不相符，只需要根据后面的protobuf>=的版本号进行重装即可
命令如下：
pip install protobuf==3.19.0二、项目简介 （1）项目说明
图像识别技术是人工智能计算机视觉的重要基础，使用机器学习/深度学习算法可以高效准确的识别出图片的主要特征，从而对不同图片内容的图片进行分类识别。
在图像识别研究领域有一个经典的数据集：Cat_vs_Dogs（猫狗识别数据集），很多计算机视觉的算法研究使用这个数据集来验证其效果。附件中采集了1500张猫的照片和1500张狗的照片,分别放入下面的目录结构中：
cats_vs_dogs：
train：
cats: [cat.0.jpg, cat.1.jpg, cat.2.jpg ....]
dogs: [dog.0.jpg, dog.1.jpg, dog.2.jpg ...]
validation：
cats: [cat.2000.jpg, cat.2001.jpg, cat.2002.jpg ....]
dogs: [dog.2000.jpg, dog.2001.jpg, dog.2002.jpg ...]
注：其中train作为训练集，有猫狗各1000张照片；validation作为验证集，有猫狗各500张照片。图片示例如下：
（2）项目目的项目目的主要是实现对于猫狗图形识别的模型建立，再通过验证集验证图形识别模型的准确性。本篇文章主要讲述项目模型建立过程，至于模型设计、参数调优以及模型结果分析会在后续的文章中给出。
三、实现过程 （1）库导入from tensorflow.keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D from tensorflow.keras.layers import Activation, Dropout, Flatten, Dense from tensorflow.keras import backend as K from tensorflow.keras.callbacks import TensorBoard from tensorflow.keras.applications import VGG16,InceptionV3,ResNet50,MobileNet import numpy as np import matplotlib.pyplot as plt import glob, os, random
os模块作用
可以处理文件和目录这些我们日常手动需要做的操作。如果你希望你的程序能够与平台无关的话，这个模块是尤为重要的。
glob模块作用
主要用来查找符合特定规则的目录和文件，并将搜索的到的结果返回到一个列表中。
（2）匹配图形path = 'data'
os.path.join(path, '**/*.*'))
print('>>>图像数量：', len(img_list))
print(img_list[:5])
for i, img_path in enumerate(img_list[:6]):
img_plot = load_img(img_path) # 加载图像
arr = img_to_array(img_plot) # 将图像转换成数组
print(arr.shape) # 图像形状
plt.subplot(2, 3, i + 1)
plt.imshow(img_plot)
os.path.join(path,name):连接目录与文件名或目录。
glob.glob()：返回符合匹配条件的所有文件的路径。
注：此处需要,ipynb文件和data文件同在一个目录下，如下图所示
（3）定义图像以及测试集与验证集路径确认# 统一定义图像像素的宽度和高度 img_width, img_height = 100, 100 # 定义训练集、验证集的图形路径（文件夹路径即可） train_data_dir = 'data/train/' validation_data_dir = 'data/validation/'
注：此处可以调试的有统一定义图像像素的宽度和高度，再不看后续分析文章的情况下可以自行进行数据的调试，此处不做过多解释。
（4）模型训练参数设置# 模型训练的参数设置 nb_train_samples = 30 nb_validation_samples = 10 epochs = 20 # 迭代次数 batch_size = 32 # 每个批量观测数
注：模型训练参数的设置影响模型训练的结果，其中迭代次数与每个批量观测数影响着模型的结果，前两个参数是后面models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。
（5）维度定义与图像生成器# 图像输入维度设置
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
# 定义图像生成器
train_datagen = ImageDataGenerator(rescale=1. / 255, # 重缩放因子
shear_range=0.2, # 剪切强度（以弧度逆时针方向剪切角度）
zoom_range=0.2, # 随机缩放范围
horizontal_flip=True, # 随机水平翻转
rotation_range=360 # 360度范围内随机旋转
)
# 使用图像生成器，从train_data_dir目录中读取图片，生成训练集（X_train图片数据, y_train图片所在的目录名称）
train_generator = train_datagen.flow_from_directory(train_data_dir, # 训练数据的文件夹路径
target_size=(img_width, img_height), # 统一像素大小
batch_size=batch_size, # 每一批次的观测数
class_mode='categorical' # 指定分类模式，指定二分类
)
test_datagen = ImageDataGenerator(rescale=1. / 255,
shear_range=0.2, # 剪切强度（以弧度逆时针方向剪切角度）
zoom_range=0.2, # 随机缩放范围
horizontal_flip=True) # 随机水平翻转
validation_generator = test_datagen.flow_from_directory(validation_data_dir, # 验证集文件夹路径
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical' # 二分类
)
注：图像维度设置中k.image_data_format()，返回图像维度顺序（“channels_first”或“channels_last”），彩色图像的性质一般包括：width、height、channels。
（6）卷积神经网络各层次设置model = Sequential()
# -----------------------------------------------------
# 输入层：第一层
# 添加第一个卷积层/最大池化层(必选)
model.add(Conv2D(filters=32, # 32 个过滤器
kernel_size=(3, 3), # 卷积核大小 3 x 3
input_shape=input_shape, # 图像输入维度
activation='relu')) # 'relu' 激活函数
model.add(MaxPooling2D(pool_size=(2, 2))) # 池化核大小 2 x 2
# ----------------------------------------------------
# 隐藏层：介于第一层和最后一层之间
# 添加第二个卷积层/最大池化层(可选)
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 添加第三个卷积层/最大池化层(可选)
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
# 由于卷积层是 2D 空间，训练时需要将数据展平为 1D 空间
model.add(Flatten()) # 添加展平层(必选)
model.add(Dense(units=64, activation='relu')) # 添加全连接层(必选) 64 个神经元
model.add(Dropout(0.5)) # 添加丢弃层，防止过拟合
# ---------------------------------------------------
# 输出层：最后一层，神经元控制输出的维度，并指定分类激活函数
model.add(Dense(units=2, activation='sigmoid')) # 指定分类激活函数
model.summary()
model.compile(loss='binary_crossentropy', # 指定损失函数类型
optimizer='rmsprop', # 优化器
metrics=['accuracy']) # 评价指标
完成后运行会出现如下的过程图：
（7）函数回调结果注入训练
# tensorboard回调函数
logs = os.path.join("logs")
if not os.path.exists(logs):
os.mkdir(logs)
train_callbacks = [
TensorBoard(
log_dir=r'./logs',
histogram_freq=1,
)
]
tensorboard_dir = os.path.join(r'.logspluginsprofile')
history = model.fit_generator(train_generator,
steps_per_epoch=nb_train_samples,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples,
callbacks=train_callbacks
)
models.fit_generator()的参数，它一般是一个生成器函数，主要作用是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。
注：其中logspluginsprofile这个文件内容需要自己手动建立，本实验代码没有写代码创建模块，当创建logs后需要自己在logs文件夹下创建plugins文件夹，在文件夹plugins下创建profile文件夹。否则会报以下错误：
运行后会出现如下过程图
（8）训练结果可视化#现在将训练后的结果可视化。
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epochs)
plt.figure(figsize=(20, 10))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
可视化训练后的结果图：
