这个项目主要是用来练手，基VGG16对猫狗分类，主要是熟悉下深度学习的流程步骤。

（一）项目分析

（1）使用VGG16作为网络骨架

（2）从文件夹目录中读取数据集，作为数据标签，猫狗图片需要放置在不同的文件夹中

（3）对单张图片进行预测，不用读取列表进行全部的预测

（二）预处理

需要把现有的数据做成一个数据集，本项目中使用不同文件夹的位置作为与数据标签，也就是猫或者狗的图片单独存放，以文件夹的位置作为区分猫狗的标准。

# 为图片生成标签

import os

train_txt_path = os.path.join("data", "catVSdog", "train.txt")
train_dir = os.path.join("data", "catVSdog", "train_data")
valid_txt_path = os.path.join("data", "catVSdog", "test.txt")
valid_dir = os.path.join("data", "catVSdog", "test_data")
 
def gen_txt(txt_path, img_dir):
    f = open(txt_path, 'w')
 
    for root, s_dirs, _ in os.walk(img_dir, topdown=True):  # 获取 train文件下各文件夹名称
        for sub_dir in s_dirs:
            i_dir = os.path.join(root, sub_dir)             # 获取各类的文件夹 绝对路径
            img_list = os.listdir(i_dir)                    # 获取类别文件夹下所有png图片的路径
            for i in range(len(img_list)):
                if not img_list[i].endswith('jpg'):         # 若不是png文件，跳过
                    continue
                #label = (img_list[i].split('.')[0] == 'cat')? 0 : 1 
                label = img_list[i].split('.')[0]
                # 将字符类别转为整型类型表示
                if label == 'cat':
                    label = '0'
                else:
                    label = '1'
                img_path = os.path.join(i_dir, img_list[i])
                line = img_path + ' ' + label + '\n'
                f.write(line)
    f.close()
 
if __name__ == '__main__':
    gen_txt(train_txt_path, train_dir)
    gen_txt(valid_txt_path, valid_dir)

这部分代码需要在训练之前运行，运行改代码后得到test.txt和train.txt标签文件。

文件中每行代表一张图片，前边代表路径，后边0和1代表所属类，0为猫，1为狗。

（三）