在这篇文章中，将教大家实现一个网页应用程序，该程序可以接收狗的图片，然后输出其品种，其准确率超过80％！

我们将使用深度学习来训练一个识别狗品种的模型，数据集是狗图像与他们的品种信息，通过学习图像的特征来区分狗的品种。数据分析数据集可以从这里下载（https：／／s3－us－west－1．amazonaws．com／udacity－aind／dog－project／dogImages．zip）。以下是关于数据的一些介绍：犬种总数：133狗图片总数：8351（训练集：6680，验证集：835，测试集：836）最受欢迎的品种：阿拉斯加对应96个样本，博德牧羊犬对应93个样本按图片数量排序的前30个品种如下：

我们还可以在这里看到一些狗的图片和它们的品种：

数据预处理我们会把每个图像作为一个numpy数组进行加载，并将它们的大小调整为224x224，这是大多数传统神经网络接受图像的默认大小，另外我们为图像的数量添加为另一个维度。from keras．preprocessing import image                  from tqdm import tqdm

def path＿to＿tensor（img＿path）：    ＇＇＇将给定路径下的图像转换为张量＇＇＇    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）：    ＇＇＇将给定路径中的所有图像转换为张量＇＇＇    list＿of＿tensors ＝ ［path＿to＿tensor（img＿path） for img＿path in tqdm（img＿paths）］    return np．vstack（list＿of＿tensors）最后，我们使用ImageDataGenerator对图像进行动态缩放和增强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我们将在预处理数据集上从头开始训练卷积神经网络（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）