项目介绍
小狗分类器可以做什么？
通过这个分类器，你只需要上传照片，就可以得到小狗的品种，以及更多的信息。
这就是所谓的「机器学习」，让机器自己去“学习”。我们今天要做的这个分类任务，是一个“监督学习”的过程。
监督学习的主要目标是从有标签的训练数据中学习模型，以便对未知或未来的数据做出预测。
我给大家讲一个例子。
用“房子的尺寸”预测“房子的价格”
X-房子的尺寸（小狗的图片）
Y-房子的价格（小狗的类别）
如图，我们根据已经有的数据集（图上的坐标），可以拟合出一条近似符合规律的直线。
这样，再有新的房子尺寸（1250），我们就可以估算出房子的价格（220k）了。
有了这些简单的基础，可以开始搞了。
效果展示
训练集的准确率为0.925，但测试集只有0.7
说明过拟合了，可以再增加一些图片，或者使用数据增强，来减少过拟合。
测试了两张图片，全都识别对了！
编写思路
整个分类器的实现，可以分为以下几个部分：
1 准备数据集
我们可以通过爬虫技术，把4类图像（京巴、拉布拉多、柯基、泰迪）保存到本地。总共有840张图片做训练集，188张图片做测试集。
数据集的准备，可以参考上一篇文章，关注（GitPython）查看文章。
2 数据集的预处理
1) 统一尺寸为100*100*3（RGB彩色图像）
2) 由于数据是自己下载的，需要制作标签（label），可提取图像名称的第一个数字作为类别。（重命名图片）
3）划分数据集
840张图片做训练集，188张图片做测试集。
4）把图片转换为网络需要的类型
3 搭建卷积神经网络
Keras是基于TensorFlow的深度学习库，是由纯Python编写而成的高层神经网络API，也仅支持Python开发。
它是为了支持快速实践而对Tensorflow的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。
4 训练
训练的过程，就是最优解的过程。
对上图来说，就是根据数据集，不断的迭代，找到一条最近似的直线（y = kx + b），把参数k，b保存下来，预测的时候直接加载。
5 预测
此时k、b(参数)和x(小狗的图像)都是已知的了，求k(类别)就完了。
# 1.上传图片
name = input('上传图片的名称（例如：XX.jpg）为：')
# 2.预处理图片(代码省略)
# 3.加载权重文件
model.load_weights('dog_weights.h5')
# 4.预测类别
classes = model.predict_classes(x_test)[0]
target = ['京巴','拉布拉多','柯基','泰迪']
# 3-泰迪 2-柯基 1-拉布拉多 0-京巴
# 5.打印结果
print("识别结果为:"+ target[classes])
依赖环境
1 深度学习框架Keras和TensorFlow
2 PIL扩展库（预处理图片）
3 Pycharm/Jupyter notebook
源码
关注公众号【GitPython】，回复【图像识别】
