神经网络实现猫的种类识别
代码地址：https://github.com/yeLer/cat_kind
------ cat_kind 项目文件名 |----cat_data_resNet50 存放用于resNet网络训练的数据 |----train 训练数据 |----test 测试数据 |----cat_kind_data 存放用于简单案例网络训练的数据（train.py） |----train 训练数据 |----test 测试数据 |----dataAug 数据增强后存放训练集的位置 |----models 保存训练模型的位置 |----predict_imgs 测试过程中使用的图片文件夹 |----resnet_example 使用resnet网络的文件夹 |----predict_on_resnet.py 预测的时候使用的文件 |----resnet50.py 定义resnet网络的文件 |----train_on_resnet.py 训练resnet的文件 |----source_images 数据集的原始文件夹 |----孟买猫 |----布偶猫 |----暹罗猫 |----英国短毛猫 |----tools 工具文件夹 |----data_aug.py 数据增强 |----prepare_data.py 数据预处理 |----predict.py 使用简单网络进行预测的文件 |----requirement.txt 环境依赖 |----train.py 使用简单网络进行训练的文件
1234567891011121314151617181920212223242526 step1 数据集预处理使用文件：prepare_data.py
包括的操作有：
图片重命 在renameJPG()方法实现，重命名的意图有两个，第一是将图片都统一为一种图片类型，第二个目的是给图片添加训练标签（当然也可以将标签写在文件当中，这里只是一种简便的
做法） 图片转换为统一的格式 图片重命名保存的过程中将图片统一格式 图片统一大小 该网络要求输入图片的大小为(100,100),所以运行时要修改out_img_size为(100,100)，数据集保存位置save_dir为cat_kind_data 将图片按照一定的比例划分 按照比例9:1将数据划分为训练集和测试集,默认参数为0.9 step2 训练 使用文件：train.py，直接执行 step3 测试 使用文件：predict.py，直接执行 二 使用经典网络ResNet50实现猫的种类识别 由于resnet网络较为复杂，在少量的数据集情况下结果容易出现过拟合，所以首先进行数据增强的处理 step1 数据增强
直接运行data_aug.py，然后会在dataAug文件夹下生成四个对应猫种类的文件夹，相应的参数可以在data_aug.py调整
使用文件：prepare_data.py
包括的操作有：
图片重命名 在renameJPG()方法实现，重命名的意图有两个，第一是将图片都统一为一种图片类型，第二个目的是给图片添加训练标签（当然也可以将标签写在文件当中，这里只是一种简便的
做法） 图片转换为统一的格式 图片重命名保存的过程中将图片统一格式 图片统一大小 在resNet中要求图片的大小在197——224之间，这里将图片的大小统一在224*224 将图片按照一定的比例划分 按照比例9:1将数据划分为训练集和测试集 step3 定义网络结构
网络结构采用Keras搭建好的resNet50，使用文件：resnet_example/resnet50.py
使用文件：resnet_example/resnet50.py,原始文件可从deep-learning-models
获取，为了使得该文件能适应训练加测试，我做了相应的修改
