基于深度學(xué)習(xí)LSTM模型的寵物分類方法設(shè)計

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

目錄

1引言............................................................................................................................1

1.1項目背景.........................................................................................................1

1.2算法原理.........................................................................................................1

1.2.1動物識別方法概況..............................................................................1

1.3常用的網(wǎng)絡(luò)模型.............................................................................................2

1.4開發(fā)環(huán)境與工具.............................................................................................2

1.4.1Python簡介..........................................................................................2

1.4.2Tensorflow簡介..................................................................................3

1.4.3Python第三方庫簡介..........................................................................3

2什么是卷積神經(jīng)網(wǎng)絡(luò)？............................................................................................4

2.1什么是神經(jīng)網(wǎng)絡(luò)？.........................................................................................4

2.2什么是卷積？.................................................................................................5

2.3準(zhǔn)備工作.........................................................................................................7

2.4keras................................................................................................................7

2.5Conv2D..............................................................................................................7

2.6MaxPooling2D................................................................................................8

3數(shù)據(jù)采集....................................................................................................................8

3.1數(shù)據(jù)集需求分析.............................................................................................8

3.2數(shù)據(jù)集獲取分析...........................................................................................11

3.3編程實現(xiàn)......................................................................................................11

4數(shù)據(jù)集處理..............................................................................................................12

4.1數(shù)據(jù)預(yù)處理....................................................................................................13

4.2數(shù)據(jù)增強........................................................................................................14

5基于卷積神經(jīng)網(wǎng)絡(luò)的貓狗識別..............................................................................15

5.1導(dǎo)入必要庫...................................................................................................15

5.2模型定義.......................................................................................................15

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.3實例化模型并訓(xùn)練.......................................................................................16

5.4獲取驗證的圖片...........................................................................................16

5.5進行驗證.......................................................................................................17

5.6顯示預(yù)測結(jié)果...............................................................................................17

5.7作品展示...................................................18

6小結(jié)..........................................................................................................................19

參考資料.....................................................................................................................20

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

基于深度學(xué)習(xí)LSTM模型的寵物分類方法設(shè)計

1引言

目前，由于計算機能力和相關(guān)理論的發(fā)展獲得了重大突破，基于深度學(xué)習(xí)

的圖像檢測與識別技術(shù)已經(jīng)廣泛應(yīng)用到人們的生產(chǎn)生活中。我將深度學(xué)習(xí)的技

術(shù)應(yīng)用到寵物圖像識別中，優(yōu)化了傳統(tǒng)的識別方法，形成對寵物圖像更為準(zhǔn)確

的識別，為實現(xiàn)高效的寵物圖像識別提供了可能。不同于傳統(tǒng)的寵物識別，基

于深度學(xué)習(xí)的動物識別技能捕獲到寵物更加細(xì)致的信息，對動物進行更加準(zhǔn)確

的識別和研究更有利了。所以，對基于深度學(xué)習(xí)的動物識別和研究，能夠更好

的幫助社會飼養(yǎng)者和政府全面有效的對寵物進行保護和監(jiān)督，這也正是保護和

識別動物的關(guān)鍵，對于現(xiàn)代社會的發(fā)展起到非常大的作用。

1.1項目背景

作為人類，我們很輕松就能識別出貓，狗。為什么我們知道呢？因為從小

我們的爸媽，我們的老師，周圍的所有人都指著狗對我們說它是狗，指著貓對

我們說它是貓。換句話來說，是別人教我們的，所以我們現(xiàn)在才能識別出貓

狗。而對于計算機呢？沒有人教它，這些豐富多彩的圖片在它眼里，無非都是

一個個像素點構(gòu)成的數(shù)字矩陣。該怎么讓他識別出來呢？這就是今天所用的卷

積神經(jīng)網(wǎng)絡(luò)。

1.2算法原理

1.2.1動物識別方法概況

基于人工特征的動物識別方法主要通過人工對動物圖像中具有辨識度的特

征信息進行提取，并通過特征比對的方式就能對動物所屬的類別進行識別判

斷。

在深度學(xué)習(xí)技術(shù)普及以前，數(shù)字圖像處理技術(shù)和傳統(tǒng)機器學(xué)習(xí)技術(shù)，一直

都是研究的熱點。傳統(tǒng)的數(shù)字圖像處理技術(shù)有模塊分割、降低噪聲點、邊緣檢

測等。古板的機器學(xué)習(xí)技術(shù)svm、隨機森林算法、神經(jīng)網(wǎng)絡(luò)算法等。

1

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

深度學(xué)習(xí)技術(shù)是通過計算機模擬人類大腦的分層表達結(jié)構(gòu)來建立網(wǎng)絡(luò)模

型，從原始數(shù)據(jù)集中對相關(guān)信息一層層的提取。在這之后通過建立相應(yīng)的神經(jīng)

網(wǎng)絡(luò)對數(shù)據(jù)進行學(xué)習(xí)和分析，從而提高對目標(biāo)預(yù)測和識別的準(zhǔn)確率。當(dāng)代社

會，深度學(xué)習(xí)技術(shù)已經(jīng)相對成熟，在對目標(biāo)進行特征提取方面，卷積神經(jīng)網(wǎng)絡(luò)

技術(shù)逐漸取代了傳統(tǒng)的圖像處理技術(shù)，并且在人類的生產(chǎn)生活中得到了廣泛應(yīng)

用，這為研究野生動物更高效的識別方法奠定了基礎(chǔ)。

1.3常用的網(wǎng)絡(luò)模型

圖像識別是指對原始圖像進行整體分析來達到預(yù)測原始圖像所屬類別的技

術(shù)。計算機視覺領(lǐng)域中對圖像識別技術(shù)進行了優(yōu)化，與此同時，深度學(xué)習(xí)技術(shù)

也對圖像識別領(lǐng)域展開了突破。至今為止在圖像識別范疇內(nèi)，科研人員開始使

用深度學(xué)習(xí)的技術(shù)，并通過在實際應(yīng)用中發(fā)現(xiàn)，基于深度學(xué)習(xí)的識別技術(shù)比傳

統(tǒng)的識別技術(shù)效果更好，而且還更具有優(yōu)勢。

1.4開發(fā)環(huán)境與工具

1.4.1Python簡介

Python是由GuidoRossum于1989年誕生。

2005-2012年，Google大量應(yīng)用python，引起廣泛關(guān)注，促進了python

的發(fā)展。

2012年云計算興起，其中最主要的OpenStack框架由python開發(fā)，使得

python火了一把。2014年AI興起，AI中大量關(guān)鍵算法都是由python開發(fā)，

因為python中有一個很全面的第三方庫，這個第三方庫特別適合做算法，加

上入門低、開發(fā)效率高，這樣又進一步促使python的火爆。

2017年python走進大眾視野（指非IT人士），走進學(xué)科教育。

如今已經(jīng)發(fā)展成一門廣泛使用的高級編程語言。它可應(yīng)用于網(wǎng)絡(luò)爬蟲、機

器學(xué)習(xí)、數(shù)據(jù)分析和可視化等多種領(lǐng)域。它的特點是開源（免費）、豐富的

庫、簡單易學(xué)、支持跨平臺而且可移植性強。

2

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

1.4.2Tensorflow簡介

TensorFlow是一個采用數(shù)據(jù)流圖(dataflowgraphs)，用于數(shù)值計算

的開源軟件庫。TensorFlow最初由Google大腦小組(隸屬于Google機器智

能研究機構(gòu))的研究員和工程師們開發(fā)出來，用于機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方

面的研究，但這個系統(tǒng)的通用性使其也可廣泛用于其他計算領(lǐng)域。它是谷歌基

于DistBelief進行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)。

1.4.3Python第三方庫簡介

Keras：一種高級的深度學(xué)習(xí)API，是構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的選擇

框架之一。Keras是基于Python編寫的，并且能夠使用多種深度學(xué)習(xí)庫

作為后端，比如TensorFlow、MicrosoftCNTK和Theano等。它被廣

泛用于深度學(xué)習(xí)

使用Keras，你可以使得構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型更加容易，使你能夠

將精力更集中放在模型的創(chuàng)新上，而在細(xì)節(jié)上無需花費太多時間。Keras的

主要特性包括：

簡單易用：提供了直觀的API來定義和訓(xùn)練深度學(xué)習(xí)模型，使得編寫

代碼變得異常方便。

易于擴展：是一個模塊化的深度學(xué)習(xí)庫，在各個層面上都能夠定制化，同

時，也提供了許多自定義層的API。

內(nèi)置許多常見的深度學(xué)習(xí)模型和算法，并且可以直接使用。如果你需要實

現(xiàn)自己的模型，也可以在Keras上實現(xiàn)并集成到自己的應(yīng)用中。

兼容多種后端：除了TensorFlow作為默認(rèn)后端，Keras也可以使用

其他的深度學(xué)習(xí)庫作為后端，包括Theano和MicrosoftCNTK等。

總之，Keras包含了許多內(nèi)置的常用深度學(xué)習(xí)算法和模型，是優(yōu)秀的深

度學(xué)習(xí)API。

Sys：Python標(biāo)準(zhǔn)庫中的一個模塊，用于提供與Python解釋器和運

行時環(huán)境系統(tǒng)交互的變量和函數(shù)。sys模塊的功能類似于操作系統(tǒng)提供的一

些API，主要包括以下幾個方面：

模塊和路徑相關(guān)操作：sys模塊提供了一些函數(shù)來管理Python模塊

和包的導(dǎo)入、搜索路徑或者模塊緩存，如sys.path、sys.modules等

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

解釋器和運行時環(huán)境信息：sys模塊可以讀取、輸出解釋器和運行時環(huán)

境的信息，例如Python版本、平臺信息、操作系統(tǒng)、環(huán)境變量等，如

sys.version、sys.platform、sys.argv等。

標(biāo)準(zhǔn)輸入輸出和錯誤：sys模塊提供了三個IO流對象sys.stdin、

sys.stdout和sys.stderr來實現(xiàn)標(biāo)準(zhǔn)輸入、輸出、錯誤輸出的操作，并

可以通過sys.stdin.read()、sys.stdin.readline()等方法實現(xiàn)從標(biāo)準(zhǔn)輸

入流中讀取數(shù)據(jù)。

進程相關(guān)操作：sys模塊提供了一些函數(shù)來查看和修改Python解釋

器以及與運行時環(huán)境相關(guān)的進程屬性或進程信息，如sys.exit()可以退出

Python解釋器，sys.getsizeof()可以檢查對象的大小，

sys.getrefcount()可以得到對象的引用計數(shù)等。

總之，通過sys模塊，我們可以實現(xiàn)Python與解釋器和運行時環(huán)

境系統(tǒng)之間的交互和通信，從而實現(xiàn)高效的Python應(yīng)用程序開發(fā)。

pyecharts：繪圖。

matplotlib：繪圖庫，主要是偏向于二維繪圖包括折線圖、條形圖、扇形

圖、散點圖、直方圖等等。

pylab：設(shè)置畫圖能顯示中文。

2什么是卷積神經(jīng)網(wǎng)絡(luò)？

2.1什么是神經(jīng)網(wǎng)絡(luò)？

神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元相互連接而成。每個神經(jīng)元接受線性組合的輸入

后，最開始只是簡單的線性加權(quán)，后來給每個神經(jīng)元加上了非線性的激活函

數(shù)，從而進行非線性變換后輸出。每兩個神經(jīng)元之間的連接代表加權(quán)值，稱之

為權(quán)重（weight）。不同的權(quán)重和激活函數(shù)，則會導(dǎo)致神經(jīng)網(wǎng)絡(luò)不同的輸出。

舉個手寫識別的例子，給定一個未知數(shù)字，讓神經(jīng)網(wǎng)絡(luò)識別是什么數(shù)字。此時

的神經(jīng)網(wǎng)絡(luò)的輸入由一組被輸入圖像的像素所激活的輸入神經(jīng)元所定義。在通

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

過非線性激活函數(shù)進行非線性變換后，神經(jīng)元被激活然后被傳遞到其他神經(jīng)

元。重復(fù)這一過程，直到最后一個輸出神經(jīng)元被激活。從而識別當(dāng)前數(shù)字是什

么字。神經(jīng)網(wǎng)絡(luò)的每個神經(jīng)元如下。

基本wx+b的形式，其中x1、x2表示輸入向量w1、w2為權(quán)重，幾個輸

入則意味著有幾個權(quán)重，即每個輸入都被賦予一個權(quán)重b為偏置biasg(z)

為激活函數(shù)a為輸出。事實上，上述簡單模型可以追溯到20世紀(jì)50/60年代

的感知器，可以把感知器理解為一個根據(jù)不同因素、以及各個因素的重要性程

度而做決策的模型。舉個例子，這周末北京有一草莓音樂節(jié)，那去不去呢？

決定你是否去有二個因素，這二個因素可以對應(yīng)二個輸入，分別用x1、x2表

示。此外，這二個因素對做決策的影響程度不一樣，各自的影響程度用權(quán)重

w1、w2表示。一般來說，音樂節(jié)的演唱嘉賓會非常影響你去不去，唱得好的前

提下即便沒人陪同都可忍受，但如果唱得不好還不如你上臺唱呢。所以，我

們可以如下表示：x1：是否有喜歡的演唱嘉賓。x1=1你喜歡這些嘉賓，x1

=0你不喜歡這些嘉賓。嘉賓因素的權(quán)重w1=7x2：是否有人陪你同去。x2

=1有人陪你同去，x2=0沒人陪你同去。是否有人陪同的權(quán)重w2=3。這

樣，咱們的決策模型便建立起來了：g(z)=g(w1x1+w2x2+b)，g表示激

活函數(shù)，這里的b可以理解成為更好達到目標(biāo)而做調(diào)整的偏置項。一開始為

了簡單，人們把激活函數(shù)定義成一個線性函數(shù)，即對于結(jié)果做一個線性變化，

比如一個簡單的線性激活函數(shù)是g(z)=z，輸出都是輸入的線性變換。后來實

際應(yīng)用中發(fā)現(xiàn)，線性激活函數(shù)太過局限，于是引入了非線性激活函數(shù)。

神經(jīng)網(wǎng)絡(luò)是類似于人腦神經(jīng)元的一種東西。學(xué)過生物的我們都知道，神經(jīng)

元彼此之間相互聯(lián)系，傳入一個信號后，可以在神經(jīng)元之間不斷傳遞，最終促

使肌體做出反應(yīng)，比如被針扎了之后會馬上縮手。你也可以籠統(tǒng)的認(rèn)為神經(jīng)網(wǎng)

絡(luò)就是一個函數(shù)，傳入一個或多個參數(shù)后，經(jīng)過一系列變換，輸出一個或多個

參數(shù)。最簡單的以y=x+1為例，傳入一個值就能輸出一個值，當(dāng)傳入x=2的時

候輸出3，x=3的時候輸出4。不過，真正的神經(jīng)網(wǎng)絡(luò)要復(fù)雜的多。這里以BP

神經(jīng)網(wǎng)絡(luò)為例：

2.2什么是卷積？

卷積圖關(guān)系如圖2-1卷積圖

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖2-1卷積圖

首先，給出卷積的公式：

?

?(?)??(?)=?(?)?(?―?)??

∫0

圖2-2卷積公式

積看出來了，f（t）和g（t）的積，那卷在哪里呢？筆者認(rèn)為，卷在兩個

方面：

第一卷是如果將f（t）和g（t）的圖像放在同一垂直面上，對應(yīng)點之間

的連線是相互交織在一起的，如果將g函數(shù)翻轉(zhuǎn)一下。

圖2-3翻轉(zhuǎn)圖

第二卷是g函數(shù)不等于卷積核，g函數(shù)要旋轉(zhuǎn)180度之后才是卷積核。

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

2.3準(zhǔn)備工作

1.對圖像的識別是層層抽象的。

2.人工神經(jīng)元及神經(jīng)網(wǎng)絡(luò)模擬了大腦的神經(jīng)元及其連接。

3.計算機看到的圖片是一個個代表明暗的數(shù)字。彩色圖片是由RGB三色組

成的。

4.神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練來得到最佳的模型參數(shù)。

5.卷積神經(jīng)網(wǎng)絡(luò)主要的設(shè)計思想是更好的利用圖片的性質(zhì)。

圖片的模式比圖片小的多

圖片中的模式出現(xiàn)在圖像的不同區(qū)域

縮放不影響圖片中的物體

6.卷積層就是在圖片中掃描特征。

7.最大池化層就是在縮放圖片，減少參數(shù)。

8.多次的卷積和池化后，再經(jīng)過flatten連接一個全連接層。

2.4keras

圖2-4keras引用

1.keras是一個用python編寫的高級神經(jīng)網(wǎng)絡(luò)APL

2.sequential模型

keras.Sequential()建立函數(shù)

model.add（）添加層

model.fit()訓(xùn)練模型

2.5Conv2D

圖2-5conv2D代碼調(diào)用圖

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

1.filters:過濾器個數(shù)，又為卷積核的個數(shù)。

2.kernel_size:代表卷積核的尺寸，可以是一個整數(shù)，代表卷積核的

height=width，也可以是tuple類型如（1，2）代表卷積核的height=1，

width=2。

3.strides：代表卷積核的步距默認(rèn)為1，和kernel_size一樣輸入可以是int類型，

也可以是tuple類型，這里注意，若為tuple類型即第一個int用于高度尺寸，第二個int用

于寬度尺寸；。

4.padding："valid"或者"same",大小寫敏感，用于邊緣處理部分。

2.6MaxPooling2D

圖2-6MaxPooling2D調(diào)用圖

1.pool_size:池化核的尺寸，默認(rèn)為為2*2。

2.strides:當(dāng)?shù)扔贜one時，移動步長的意思，那么默認(rèn)值是池化核尺

寸。

3.padding：是否填充。

3數(shù)據(jù)采集

3.1數(shù)據(jù)集需求分析

我們這里是以貓狗作為對象也是生活中最常見的兩種寵物。這里需要大量

的貓狗圖片各種各樣的需要提升準(zhǔn)確度。

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖3-1貓的數(shù)據(jù)集

圖3-2貓的數(shù)據(jù)集

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖3-3狗的數(shù)據(jù)集

圖3-4狗的數(shù)據(jù)集

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

3.2數(shù)據(jù)集獲取分析

數(shù)據(jù)需要大量的貓與狗的圖片，需要不同種類的?？梢匀aggle找一下

自己需要的圖片然后下載。

貓狗數(shù)據(jù)集在kaggle平臺上比較著名的數(shù)據(jù)集，如果需要貓狗數(shù)據(jù)集，

可以去kaggle上下載，該數(shù)據(jù)集分為train和test兩部分。在本次訓(xùn)練中，

我使用的是tf2.0教程提供的數(shù)據(jù)集，該數(shù)據(jù)集是精簡數(shù)據(jù)集，其中train數(shù)

據(jù)集部分各包含1000張貓和狗的圖像。

圖3-5數(shù)據(jù)集獲取途徑

3.3編程實現(xiàn)

本次共使用了100張貓跟100張狗的圖片，訓(xùn)練集里面分別放80張，測

試集里面放20張。在代碼里面運用了列表來一次性把圖片寫入到相應(yīng)的貓狗

文件中。

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖3-6編程代碼

4數(shù)據(jù)集處理

先在pytharm里面編寫一段批量更改文件名字的代碼，然后再創(chuàng)建相對應(yīng)

的文件名然后導(dǎo)入貓狗數(shù)據(jù)。

圖4-1批量修改文件名

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-2把貓狗導(dǎo)入到新建的文件

4.1數(shù)據(jù)預(yù)處理

1.讀取圖片文件。

2.將JPEG內(nèi)容解碼為RBG像素網(wǎng)格。將這些轉(zhuǎn)換為浮點張量。

3.因為神經(jīng)網(wǎng)絡(luò)更喜歡處理較小的輸入值，所以將像素值（介于0和255

之間）重新縮放到[0，1]區(qū)間。

Keras有一個帶有圖像處理輔助工具的模塊，位于

keras.preprocessing.image。它包含類ImageDataGenerator，它能快速設(shè)置

Python生成器，生成器可以自動將磁盤上的圖像文件轉(zhuǎn)換為預(yù)處理的張量批

次。

圖4-3數(shù)據(jù)預(yù)處理

13

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

4.2數(shù)據(jù)增強

由于我使用的數(shù)據(jù)集是比較小的數(shù)據(jù)集，所以訓(xùn)練量可能不夠，我們可以

通過

1.選裝圖像；

2.改變圖像的對比度；

3裁剪，亮度等來改變增加我們圖像的數(shù)量。

對于神經(jīng)網(wǎng)絡(luò)而言，處理的是圖像的像素，當(dāng)我們改變圖像的方向，亮度

等條件后，圖像矩陣的數(shù)值就會發(fā)生相應(yīng)的變化，對于神經(jīng)網(wǎng)絡(luò)而言，就是一

張新的圖像。所以，通過改變圖像的方向，對比度等因素可以打打提高數(shù)據(jù)集

的數(shù)量。

圖4-4增強后的圖像

14

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5基于卷積神經(jīng)網(wǎng)絡(luò)的貓狗識別

5.1導(dǎo)入必要庫

圖5-1導(dǎo)入庫

5.2模型定義

圖5-2模型定義

首先創(chuàng)建一個Sequential模型

添加一個卷積層，第一個參數(shù)是卷積核的數(shù)量，第二個是卷積核的規(guī)格，

為3*3的，第三個參數(shù)是激活函數(shù)類型，第四個是邊緣的處理，第五個因為第

一層即為卷積層，要定義輸入圖片的規(guī)格為200*200,3，說明是彩色圖片。

再添加一個池化層，（2,2）說明每2*2化作一個窗格。

再添加一個Flatten層，將池化后的結(jié)果展開；

15

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

再添加一個全連接層，第一個參數(shù)是神經(jīng)元個數(shù)，第二個參數(shù)是激活函數(shù)

的類型；

最后再添加一個全連接層輸出結(jié)果，最后用隨機梯度編譯模型。

5.3實例化模型并訓(xùn)練

圖5-3實例化模型并訓(xùn)練

5.4獲取驗證的圖片

圖5-4獲取驗證的圖片

16

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.5進行驗證

圖5-5進行驗證

array_im=array_im[np.newaxis,:]

上一行的array_im是一個三維數(shù)組，不符合運行規(guī)范，這里要將其轉(zhuǎn)化

為四位數(shù)組，否則會報錯！

5.6顯示預(yù)測結(jié)果

圖5-6顯示預(yù)測結(jié)果

17

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.7作品展示

通過代碼編程還有數(shù)據(jù)增強，數(shù)據(jù)集處理等步驟后實現(xiàn)貓狗分類。