model．fit（train＿generator， epochs＝5， validation＿data＝valid＿generator， callbacks＝［checkpointer］）我們使用一個ModelCheckpoint的回調來保存驗證分數較高的模型。通過測試模型，我們得到的準確率只有1％左右使用遷移學習現在，我們使用遷移學習來實現更高的準確率。首先我們下載ResNet－50，可以通過運行下面的代碼來提取相應的訓練集、測試和驗證集：bottleneck＿features ＝ np．load（＇Data／bottleneck＿features／DogResnet50Data．npz＇）train＿Resnet50 ＝ bottleneck＿features［＇train＇］valid＿Resnet50 ＝ bottleneck＿features［＇valid＇］test＿Resnet50 ＝ bottleneck＿features［＇test＇］我們現在再次定義模型，并對提取的特征使用GlobalAveragePooling2D，它將一組特征平均為一個值。最后，如果驗證損失在兩個連續的epoch內沒有增加，我們使用額外的回調來降低學習率；如果驗證損失在連續的5個epoch內沒有增加，可以提前停止訓練。Resnet50＿model ＝ tf．keras．models．Sequential（）Resnet50＿model．add（tf．keras．layers．GlobalAveragePooling2D（input＿shape＝train＿Resnet50．shape［1：］））Resnet50＿model．add（tf．keras．layers．Dense（1024， activation＝＇relu＇））Resnet50＿model．add（tf．keras．layers．Dense（133， activation＝＇softmax＇））

Resnet50＿model．compile（loss＝＇categorical＿crossentropy＇， optimizer＝＇rmsprop＇， metrics＝［＇accuracy＇］）

checkpointer ＝ tf．keras．callbacks．ModelCheckpoint（filepath＝＇saved＿models／weights＿best＿Resnet50．hdf5＇，                                verbose＝1， save＿best＿only＝True）early＿stopping ＝ tf．keras．callbacks．EarlyStopping（patience＝5， monitor＝＇val＿loss＇）

reduce＿lr ＝ tf．keras．callbacks．ReduceLROnPlateau（patience＝2， monitor＝＇val＿loss＇）Resnet50＿model．fit（train＿Resnet50， train＿targets，           validation＿data＝（valid＿Resnet50， valid＿targets），          epochs＝50， batch＿size＝20， callbacks＝［checkpointer， early＿stopping， reduce＿lr］， verbose＝1）＃＃＃ 訓練模型最后在測試集上的準確率為82．65％，這與我們白手起家訓練的模型相比，是一個巨大的進步。構建web應用程序對于web應用程序，我們首先編寫了一個helper函數，該函數接受圖像路徑并返回品種。label＿to＿cat字典將每個數字標簽映射到它的狗品種。def predict＿breed（img＿path）：    ＇＇＇預測給定圖像的品種＇＇＇    ＃ 提取特征    bottleneck＿feature ＝ extract＿Resnet50（path＿to＿tensor（img＿path））    bottleneck＿feature ＝ tf．keras．models．Sequential（［                            tf．keras．layers．GlobalAveragePooling2D（input＿shape＝bottleneck＿feature．shape［1：］）                        ］）．predict（bottleneck＿feature）．reshape（1， 1， 1， 2048）    ＃ 獲得預測向量    predicted＿vector ＝ Resnet50＿model．predict（bottleneck＿feature）    ＃ 模型預測的犬種    return label＿to＿cat［np．argmax（predicted＿vector）］對于web應用程序，我們將使用flaskweb框架來幫助我們用最少的代碼創建web應用程序。我們定義一個接受圖像的路由，并用狗的品種呈現一個輸出模板＠app．route（＇／upload＇， methods＝［＇POST＇，＇GET＇］）def upload＿file（）：    if request．method ＝＝ ＇GET＇：        return render＿template（＇index．html＇）    else：        file ＝ request．files［＇image＇］        full＿name ＝ os．path．join（UPLOAD＿FOLDER， file．filename）        file．save（full＿name）        dog＿breed ＝ dog＿breed＿classifier（full＿name）    return render＿template（＇predict．html＇， image＿file＿name ＝ file．filename， label ＝ dog＿breed）predict．html是分別顯示圖像及其犬種的模板。結論祝賀你！你已經成功地實現了一個狗品種分類器，并且可以準確地分辨出狗的品種。讓我們總結一下我們在這里學到的知識：我們對數據集進行了分析和預處理。機器學習算法需要單獨的訓練集、測試集和驗證集來進行置信預測。我們從零開始使用CNN，由于未能提取特征，所以表現不佳。然后我們使用了遷移學習，準確度大大提高最后，我們構建了一個Flask web應用程序來實現我們的項目封裝我們確實學到了很多東西，但你還可以嘗試很多其他的事情。你可以在heroku上部署web應用程序，也可以嘗試使用不同的層（如Dropout層）來提高準確性。參考鏈接：https：／／towardsdatascience．com／dont－know－the－breed－of－your－dog－ml－can－help－6558eb5f7f05

☆ END ☆