对DogsVsCats例子的调优模型训练过程

model.save(args.train_dir + "/model.keras")  

# 推荐使用.keras格式

2、代码解读。代码不长，deepseek分为三大块，

一是参数解析模块。

• 使用argparse模块创建命令行参数解析器12
• 定义了6个常用训练参数，包含默认值和类型声明
• 参数解析结果存储在args对象中供后续使用

‌二是数据预处理函数。

• 实现图像解码、尺寸调整和归一化标准化流程
• 输出尺寸150x150的归一化图像张量

三是主程序逻辑。

‌


(2). 数据集构建


使用tf.data API构建高效数据管道14


启用并行处理和预取优化加速训练






(3). 模型构建


使用Keras Sequential API构建卷积神经网络16


包含4个卷积块+全连接层的经典结构


使用Adam优化器和交叉熵损失函数


(4). 模型训练与保存



(5). 测试评估


3、关键特性说明。

(1).数据管道优化

：使用tf.data.Dataset的map、batch、prefetch等方法构建高效数据流水线

(2).图像处理

：通过tf.image模块实现标准化图像预处理

(3).模型架构

：采用经典卷积神经网络结构，包含：



4个卷积+池化层堆叠


Dropout层防止过拟合


最终softmax二分类输出


(4).训练配置

：使用Adam优化器和学习率调度

(5).模型保存

：采用Keras推荐的.keras格式保存完整模型


4、在运行训练过程中，第一次识别精准度达到50%，第二次去掉第46行的#注释后，识别度达到84.5%，精准度大幅提升，达到了目的。
deepseek对这两句代码的效果进行了重点解读，
这两行代码是对train_dataset进行进一步的数据预处理和增强
第一行代码


这行代码的作用是对train_dataset中的每一个元素（即每一个图像和对应的标签）应用_decode_and_resize函数。这个函数会读取图像文件，解码JPEG格式，调整图像大小到150x150，并进行归一化处理。

map_func=_decode_and_resize

：指定要应用的函数。

num_parallel_calls=tf.data.experimental.AUTOTUNE

：这个参数允许TensorFlow自动选择并行调用的数量，以最大化数据处理的吞吐量。在TensorFlow 2.x中，tf.data.experimental.AUTOTUNE已经被简化为tf.data.AUTOTUNE。


第二行代码


这行代码的作用是对train_dataset进行随机打乱，即洗牌操作。

shuffle(buffer_size=20000)

：这个方法会随机打乱数据集中的元素顺序。buffer_size参数指定了用于洗牌操作的缓冲区大小。一个较大的缓冲区可以提供更好的随机性，但也会消耗更多的内存。这里设置的buffer_size为20000，意味着TensorFlow会随机选择20000个元素进行洗牌，然后逐步输出这些元素，直到所有元素都被输出。


这两行代码一起，对训练数据集进行了必要的预处理和增强，使得模型能够更好地学习和泛化。
二、对例子的改进
1、下面是艰苦的训练，就是利用deepseek不停地反复测试，不停地试参数，来的看一些截图，






测试识别精准度一直在变化，不同的代码、参数导致分值有高有低。最后一稿时的分值超过了上面的84.5%，达到了93.84%，


放上我测试时记录下来的草稿纸，可以看出这个过程是相当麻烦的，好在有了deepseek的帮助，让这成为了可能。


2、给出最后一版的代码：DogsVsCats5.py，不具体展示了，放在网盘中。代码整合了数据增强、模型优化、动态学习率和验证策略。
下载地址：
链接: https://pan.baidu.com/s/1KghXeFGu1xmzkWv0-T3yEA 提取码: 9z5p 
要将代码上传到《趋动云》平台中才能使用，毕竟要利用它的数据集。




程序运行时的命令：python $GEMINI_RUN/DogsVsCats5.py --num_epochs 30 --data_dir $GEMINI_DATA_IN1/DogsVsCats --train_dir $GEMINI_DATA_OUT --batch_size 64 --learning_rate 0.0005



原文始发于微信公众号（MicroPest）：对DogsVsCats例子的调优模型训练过程