horse or human
以下 python 代码将使用 OS 库来使用操作系统库，使您可以访问文件系统，并使用 zipfile 库来解压缩数据。
import os
import zipfile
local_zip = './tmp/horse-or-human.zip'
zip_ref = zipfile.ZipFile(local_zip, 'r')
zip_ref.extractall('./tmp/horse-or-human')
zip_ref.close()
.zip 的内容被提取到基本目录 ./tmp/horse-or- human（py中./表示上一级文件夹），该目录又包含 horses 和 humans 子目录。
简而言之：训练集是用来告诉神经网络模型“这就是马的样子”、“这就是人的样子”等的数据。
在这个示例中需要注意的一件事是：我们没有明确地将图像标记为马或人。如果你还记得之前的手写示例（Ex2），我们已经标记了“这是一个 1”、“这是一个 7”等。稍后你会看到使用了一个名为 ImageGenerator 的东西——它被编码为从子目录中读取图像，并自动根据该子目录的名称来标记它们。因此，例如，您将有一个“训练”目录，其中包含一个“马”目录和一个“人类”目录。 ImageGenerator 将为您适当地标记图像，从而减少编码步骤。
让我们定义每个目录：
# Directory with our training horse pictures
train_horse_dir = os.path.join('./tmp/horse-or-human/horses')
# Directory with our training human pictures
train_human_dir = os.path.join('./tmp/horse-or-human/humans')
现在，让我们看看马匹和人类训练目录中的文件名是什么样子的：
train_horse_names = os.listdir(train_horse_dir)
print(train_horse_names[:10])
train_human_names = os.listdir(train_human_dir)
print(train_human_names[:10])
让我们找出目录中马和人的图片总数：
print('total training horse images:', len(os.listdir(train_horse_dir)))
print('total training human images:', len(os.listdir(train_human_dir)))
现在让我们看几张图片，以便更好地了解它们的外观。首先，配置 matplot 参数：
#%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
# Parameters for our graph; we'll output images in a 4x4 configuration
nrows = 4
ncols = 4
# Index for iterating over images
pic_index = 0
现在，展示一批8匹马和8匹人的图片。您可以重新运行单元以每次查看新的批次：
# Set up matplotlib fig, and size it to fit 4x4 pics
fig = plt.gcf()
fig.set_size_inches(ncols * 4, nrows * 4)
pic_index += 8
next_horse_pix = [os.path.join(train_horse_dir, fname)
for fname in train_horse_names[pic_index-8:pic_index]]
next_human_pix = [os.path.join(train_human_dir, fname)
for fname in train_human_names[pic_index-8:pic_index]]
for i, img_path in enumerate(next_horse_pix+next_human_pix):
# Set up subplot; subplot indices start at 1
sp = plt.subplot(nrows, ncols, i + 1)
sp.axis('Off') # Don't show axes (or gridlines)
img = mpimg.imread(img_path)
plt.imshow(img)
plt.show()
Building a Small Model from Scratch
但在继续之前，我们先来定义模型：
第一步是导入 tensorflow。
import tensorflow as tf
然后，我们像上一个例子一样添加卷积层，并将最终结果平铺到密集连接层中。
最后，我们添加密集连接层。
请注意，由于我们面对的是一个两类分类问题，即二元分类问题，因此我们将以一个 sigmoid 激活结束我们的网络，这样我们网络的输出将是一个介于 0 和 1 之间的单一标量，编码当前图像是类别 1（而不是类别 0）的概率。
model = tf.keras.models.Sequential([
# Note the input shape is the desired size of the image 300x300 with 3 bytes color
# This is the first convolution
tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(300, 300, 3)),
tf.keras.layers.MaxPooling2D(2, 2),
# The second convolution
tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
# The third convolution
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
# The fourth convolution
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
# The fifth convolution
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
# Flatten the results to feed into a DNN
tf.keras.layers.Flatten(),
# 512 neuron hidden layer
tf.keras.layers.Dense(512, activation='relu'),
# Only 1 output neuron. It will contain a value from 0-1 where 0 for 1 class ('horses') and 1 for the other ('humans')
tf.keras.layers.Dense(1, activation='sigmoid')
])
The model.summary() method call prints a summary of the NN
model.summary()
输出形状 "一栏显示了特征图的尺寸在每个连续层中的变化情况。卷积层由于填充作用，会将特征图的尺寸减小一些，而每个池化层则会将尺寸减半。
接下来，我们将配置模型训练的规格。我们将使用二元交叉熵损失（binary_crossentropy loss）来训练模型，因为这是一个二元分类问题，而我们的最终激活是一个 sigmoid。(我们将使用学习率为 0.001 的 rmsprop 优化器。在训练过程中，我们要监控分类的准确性。
注意：在这种情况下，使用 RMSprop 优化算法比使用随机梯度下降算法（SGD）更好，因为 RMSprop 可以自动调整学习率。(其他优化器，如 Adam 和 Adagrad，也能在训练过程中自动调整学习率，在此同样适用）。
from tensorflow.keras.optimizers import RMSprop
model.compile(loss='binary_crossentropy',
optimizer=RMSprop(lr=0.001),
metrics=['accuracy'])
Data Preprocessing
让我们建立数据生成器，读取源文件夹中的图片，将其转换为 float32 张量，然后将它们（连同标签）输入我们的网络。我们将使用一个生成器生成训练图片，另一个生成器生成验证图片。我们的生成器将生成一批大小为 300x300 的图像及其标签（二进制）。
正如你可能已经知道的，进入神经网络的数据通常应该以某种方式进行归一化处理，使其更适合网络处理。(在我们的案例中，我们将对图像进行预处理，将像素值归一化为 [0, 1] 范围内（最初所有值都在 [0, 255] 范围内）。
在 Keras 中，这可以通过 keras.preprocessing.image.ImageDataGenerator 类使用 rescale 参数来实现。该 ImageDataGenerator 类允许您通过 .flow(data, labels) 或 .flow_from_directory(directory) 来实例化增强图像批次（及其标签）的生成器。然后，这些生成器可用于接受数据生成器作为输入的 Keras 模型方法：fit、evaluate_generator 和 predict_generator。
from tensorflow.keras.preprocessing.image import ImageDataGenerator
# All images will be rescaled by 1./255
train_datagen = ImageDataGenerator(rescale=1/255)
# Flow training images in batches of 128 using train_datagen generator
train_generator = train_datagen.flow_from_directory(
'./tmp/horse-or-human/', # This is the source directory for training images
target_size=(300, 300), # All images will be resized to 150x150
batch_size=128,
# Since we use binary_crossentropy loss, we need binary labels
class_mode='binary')
Training
让我们训练 15 个 epoch——这可能需要几分钟才能运行。
请记下每个时期的值。
损失和准确度是训练进度的重要指标。它对训练数据的分类进行猜测，然后根据已知标签对其进行测量，计算结果。准确度是正确猜测的部分。
history = model.fit(
train_generator,
steps_per_epoch=8,
epochs=15,
verbose=1)
Running the Model
现在让我们看看如何使用该模型进行实际预测。这段代码将允许你从文件系统中选择 1 个或多个文件，然后上传这些文件，并通过模型运行这些文件，从而给出该对象是马还是人的指示。\