model．fit（train＿generator， epochs＝5， validation＿data＝valid＿generator， callbacks＝［checkpointer］）我们使用一个ModelCheckpoint的回调来保存验证分数较高的模型。通过测试模型，我们得到的准确率只有1％左右使用迁移学习现在，我们使用迁移学习来实现更高的准确率。首先我们下载ResNet－50，可以通过运行下面的代码来提取相应的训练集、测试和验证集：bottleneck＿features ＝ np．load（＇Data／bottleneck＿features／DogResnet50Data．npz＇）train＿Resnet50 ＝ bottleneck＿features［＇train＇］valid＿Resnet50 ＝ bottleneck＿features［＇valid＇］test＿Resnet50 ＝ bottleneck＿features［＇test＇］我们现在再次定义模型，并对提取的特征使用GlobalAveragePooling2D，它将一组特征平均为一个值。最后，如果验证损失在两个连续的epoch内没有增加，我们使用额外的回调来降低学习率；如果验证损失在连续的5个epoch内没有增加，可以提前停止训练。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）＃＃＃ 训练模型最后在测试集上的准确率为82．65％，这与我们白手起家训练的模型相比，是一个巨大的进步。构建web应用程序对于web应用程序，我们首先编写了一个helper函数，该函数接受图像路径并返回品种。label＿to＿cat字典将每个数字标签映射到它的狗品种。def predict＿breed（img＿path）：    ＇＇＇预测给定图像的品种＇＇＇    ＃ 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）    ＃ 获得预测向量    predicted＿vector ＝ Resnet50＿model．predict（bottleneck＿feature）    ＃ 模型预测的犬种    return label＿to＿cat［np．argmax（predicted＿vector）］对于web应用程序，我们将使用flaskweb框架来帮助我们用最少的代码创建web应用程序。我们定义一个接受图像的路由，并用狗的品种呈现一个输出模板＠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是分别显示图像及其犬种的模板。结论祝贺你！你已经成功地实现了一个狗品种分类器，并且可以准确地分辨出狗的品种。让我们总结一下我们在这里学到的知识：我们对数据集进行了分析和预处理。机器学习算法需要单独的训练集、测试集和验证集来进行置信预测。我们从零开始使用CNN，由于未能提取特征，所以表现不佳。然后我们使用了迁移学习，准确度大大提高最后，我们构建了一个Flask web应用程序来实现我们的项目封装我们确实学到了很多东西，但你还可以尝试很多其他的事情。你可以在heroku上部署web应用程序，也可以尝试使用不同的层（如Dropout层）来提高准确性。参考链接：https：／／towardsdatascience．com／dont－know－the－breed－of－your－dog－ml－can－help－6558eb5f7f05

☆ END ☆