《Keras 图像分类实战》

用 Keras 处理图像分类任务时，最核心的优势是数据量不大也能训练出有用的模型：通过数据增强（data augmentation）与小网络配合，可以在很少数据上获得较好效果。本文介绍用 ImageDataGenerator 做数据增强 + CNN 的训练流程。

参考：https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

1 数据准备

典型目录结构（Keras flow_from_directory 要求）：

data/
├── train/
│   ├── cats/      # 猫图
│   └── dogs/      # 狗图
└── validation/
    ├── cats/
    └── dogs/

2 数据增强（ImageDataGenerator）

        
      
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 训练集：随机旋转、平移、缩放、水平翻转，并归一化
train_datagen = ImageDataGenerator(
    rescale=1.0 / 255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
)

# 验证集：只归一化，不做增强
validation_datagen = ImageDataGenerator(rescale=1.0 / 255)

train_generator = train_datagen.flow_from_directory(
    "data/train",
    target_size=(150, 150),   # 统一缩放
    batch_size=32,
    class_mode="binary",      # 二分类
)

validation_generator = validation_datagen.flow_from_directory(
    "data/validation",
    target_size=(150, 150),
    batch_size=32,
    class_mode="binary",
)

3 小 CNN 模型

        
      
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Conv2D(32, (3, 3), activation="relu", input_shape=(150, 150, 3)),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(64, (3, 3), activation="relu"),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(128, (3, 3), activation="relu"),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(128, (3, 3), activation="relu"),
    layers.MaxPooling2D(2, 2),
    layers.Flatten(),
    layers.Dropout(0.5),
    layers.Dense(512, activation="relu"),
    layers.Dense(1, activation="sigmoid"),   # 二分类
])

model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=1e-4),
    loss="binary_crossentropy",
    metrics=["accuracy"],
)

model.summary()

4 训练与保存

        
      
history = model.fit(
    train_generator,
    steps_per_epoch=100,        # 每 epoch 的批数
    epochs=30,
    validation_data=validation_generator,
    validation_steps=50,
)

model.save("cats_vs_dogs.h5")

5 数据量更少时的进阶技巧

迁移学习（推荐）：使用预训练网络（VGG16 / ResNet / EfficientNet）做特征提取或微调，小数据集下收敛更快、效果更好：

        
      
from tensorflow.keras.applications import VGG16

base = VGG16(weights="imagenet", include_top=False, input_shape=(150, 150, 3))
base.trainable = False   # 冻结主干

model = keras.Sequential([
    base,
    layers.Flatten(),
    layers.Dropout(0.5),
    layers.Dense(1, activation="sigmoid"),
])

学习率衰减：使用 ReduceLROnPlateau 回调，在验证 loss 平台期自动降低学习率：

        
      
keras.callbacks.ReduceLROnPlateau(monitor="val_loss", factor=0.5, patience=5)

6 常见问题

过拟合明显（训练 acc 高、验证 acc 低）：增加数据增强强度、增大 Dropout、冻结更多层或减小网络。
flow_from_directory 路径报错：确认子目录名称即类别名，目录下必须有图片。
显存不足：调小 target_size（如 128x128）或 batch_size。

参考文档

阅读 — · 全站 —