该项目将使用卷积神经网络算法，识别图片中的动物是猫还是狗。
其中，训练用的图片数据集在dogs_cats/data文件夹下，整个数据集分为训练集和测试集，其中训练集在dogs_cats/data/train文件夹内，有25000张图片，猫狗各12500张。而测试集在dogs_cats/data/test文件夹内有12500张，没有标明是猫还是狗
可以通过下图进行理解神经网络的基本构成：
图片在计算机储存由像素点矩阵组成，黑白图片的像素点是0-255或者0-1之间的数值，代表明暗程度；彩色图片是RGB图像，RGB表示红，绿，蓝三原色，计算机里所有的颜色都是三原色不同比例组成的，即三色通道。
输入一组照片，通过全连接层的处理输出预测值和损失，损失越小越接近真实结果，因此需要找到最好的参数，即让所有的损失和最小，那么如何找到最好的参数呢？
通过梯度下降不断迭代，调整初始参数，找到总损失比较小的最佳参数
同样的模式可能出现在图像的不同区域
当图片很大时，图片的像素点也会很多，那么图片传入神经网络后连接数就会很多，参数就会多。缩放后可以使参数减少，简化问题
不同的卷积核有不同的效果，而其中的值都是需要学习的参数
例：原始图片是8x8像素的，卷积核是3x3像素的，卷积结果是多少像素的？
Stride:卷积核每次移动的步长
Flatten层将二维图像经过flatten展开成一维输入全连接层中
kerasSequential模型：非常简单，只支持单输入，单输出的模型，适用于70%的应用场景
函数式API：支持多输入，多输出模型，适用于95%的应用场景
建立一个全连接层：
importkerasfromkerasimportlayers#导入层结构model=keras.Sequential()#建立序列模型#全连接层（本层神经元个数，激活函数，输入图片参数值数量）model.add(layers.Dense(20,activation='relu',input_shape=(10,)))model.add(layers.Dense(20,activation='relu'))model.add(layers.Dense(10,activation='softmax'))#训练模型#x-样本数据即图片，y-图片标签，epochs=处理图片的次数，batch_size=一次性处理几张图片model.fit(x,y,epochs=10,batch_size=32)建立一个卷积层：
keras.layers.Conv2D(filters,kernel_size,strides=(1,1),padding='valid',data_format=None)#filters:输出空间的维度#kernel_size:1个整数或2个整数表示的元组，2D卷积窗口的宽度和高度#strides:2个整数表示的元组，卷积沿宽度和高度方向的步长#padding:边界处理的方法,"valid"或"same"建立一个最大池化层：
keras.layers.MaxPooling2D(pool_size=(2,2),strides=None,padding='valid',data_format=None)#pool_size:沿（垂直，水平）方向缩小比例的因数，如果只有一个整数，则两个维度使用相同窗口长度#strides:2个整数表示的元组，步长值，None表示默认值pool_size#padding:边界处理的方法,"valid"或"same"四、代码实现1.定义一个基础CNN模型其中卷积层的卷积核数量为32，卷积核尺寸为3x3，激活函数为ReLU，padding设置为same，最大池化层的尺寸为2x2
#训练模型deftrain_cnn_model():#实例化模型model=define_cnn_model()#创建图片生成器,产生图片并输入datagen=ImageDataGenerator(rescale=1.0/225.0)train_it=datagen.flow_from_directory('C:\\Users\\Alixy\\Desktop\\ma1ogo3ushu4ju4ji2\\dogs_cats\\data\\train',class_mode='binary',batch_size=64,#一次产生并输入64张图片target_size=(200,200)#缩放图片为200x200，和输入图片大小相同！！！)#训练模型model.fit_generator(train_it,steps_per_epoch=len(train_it),epochs=20,verbose=1)#把模型保存到文件夹，basic_cnn_result.h5是提前就创建好的，用来保存模型的model.save("D:\\python\\python\\MCM\\Data_clean\\basic_cnn_result.h5")运行训练模型：
if__name__=="__main__":train_cnn_model()这个构建的CNN模型在迭代20个epoch时，可以达到约95%的准确率，是一个不错的结果