Keras-VGG16-图片分类

博主您好，我想问一下Keras-VGG16-图片分类那篇文章调用主函数之后具体该怎么进行猫狗识别呢

您对使用Keras-VGG16进行图像分类很感兴趣。要开始图像识别，您需要首先准备数据集，然后训练模型。然后，您可以使用经过训练的模型对新图像进行预测。一旦模型被训练，你就可以用它来识别猫和狗，把它们的图像作为输入。您还需要在测试图像上评估模型的准确性，以便评估其性能。祝你好运

• 建议你看下这篇博客👉 ：Keras-VGG16-图片分类
• 除此之外, 这篇博客: Keras-VGG16-图片分类中的 2、VGG16网络细节 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• VGG16网络结构如下：

  VGG的结构非常有规律，整个网络都使用了相同大小的（3，3）卷积核尺寸和（2，2）最大池化尺寸。VGG主要包括五轮卷积，三轮全连接。

  初始层：
  第1层：输入层，Input(224，224，1)。

  第一轮卷积：
  第2层：64个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第3层：Relu激励。
  第4层：64个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第5层：最大池化，pool_size=2, strides=2, padding=‘same’。
  第6层：Relu激励。
  第7层：标准化归一层，BatchNormalization。

  第二轮卷积：
  第8层：128个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第9层：Relu激励。
  第10层：128个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第11层：最大池化，pool_size=2, strides=2, padding=‘same’。
  第12层：Relu激励。
  第13层：标准化归一层，BatchNormalization。

  第三轮卷积：
  第14层：256个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第15层：Relu激励。
  第16层：256个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第17层：Relu激励。
  第18层：256个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第19层：最大池化，pool_size=2, strides=2, padding=‘same’。
  第20层：Relu激励。
  第21层：标准化归一层，BatchNormalization。

  第四轮卷积：
  第22层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第23层：Relu激励。
  第24层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第25层：Relu激励。
  第26层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第27层：最大池化，pool_size=2, strides=2, padding=‘same’。
  第28层：Relu激励。
  第29层：标准化归一层，BatchNormalization。

  第五轮卷积：
  第30层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第31层：Relu激励。
  第32层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第33层：Relu激励。
  第34层：512个卷积核, kernel_size=3, strides=1, padding=‘same’。
  第35层：最大池化，pool_size=2, strides=2, padding=‘same’。
  第36层：Relu激励。
  第37层：标准化归一层，BatchNormalization。

  第一轮全连接：
  第38层：feature map拉直成向量，Flatten()。
  第39层：全连接，Dense(4096)。
  第40层：Relu激励。
  第41层：Dropout(0.5)。

  第二轮全连接：
  第42层：全连接，Dense(4096)。
  第43层：Relu激励。
  第44层：Dropout(0.5)。

  第三轮全连接：
  第45层：全连接，Dense(2)。
  第46层：outputs = softmax激励层。