【总结】keras下，利用VGG16和resnet50预训练模型，完成多类别动物图片分类任务（上）

本文链接：https://blog.csdn.net/ZZU_chenhao/article/details/97654865

本文分享了在深度学习项目中，如何从零开始构建并优化一个动物图片分类模型，从数据预处理到模型调参，再到使用VGG16和ResNet50预训练模型的实践经验。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

多类别动物图片分类任务（上）

在学习了大约2周的机器学习和深度学习的基础知识，并跑了十多个模型之后，老师给我布置了一项真正的实际任务：利用已经收集到的图片信息，构建并训练模型，一期目标使得精度达到84%，二期目标使得精度达到90%。
一开始并没有认识到，真正的实际数据会和demo中最后的结果差距如此之大，使得自己消沉了一段时间，不过经过将近15天的努力，总算是完成了任务，亦有所收获。
故，在此把我这段时间踩过的坑都一一标注出来，希望可以帮助到那些初次接触卷积神经网络的新人（虽然我也是啦）

观察数据
拿到数据后，要做的第一件事绝不是直接建模（~~血的教训~~ ），而是观察数据的分布情况，在真正的实际任务中，数据往往不是你在猫狗大战这样的demo中那样，分布的那么均衡的。
比如我这次的任务数据，总计30064张彩色图片，分为168类，而最少的类图片只有103张，最多的有1684张，差距非常大。
解决方法：
过采样是一个很好的处理手段。
建立一个简单的卷积神经网络
无论你是否懂得如何利用已经与训练好的模型进行建模，自己写一个简单的卷积神经网络来测试下数据都是可行的。一般，我们采用2+2的形式来实现。
实现代码：

# 建立模型
model = Sequential()
# 这里使用卷积神经网络，传入100*100像素的彩色图片，传出时为94*94*32
model.add(Conv2D(32, (7, 7), strides = (1, 1), name = 'conv0', input_shape = (100, 100, 3)))
# 使用批标准化
model.add(BatchNormalization(axis = 3, name = 'bn0'))
# 激活函数为ReLU（线性整流函数）
model.add(Activation('relu'))
# 对于空间数据的最大池化
model.add(MaxPooling2D((2, 2), name='max_pool'))
model.add(Co