这个数据集中一共有1W张图片，没有重复的5000个dog+5000个cat图像（已经经过处理） 其中90%的数据当做训练集（9000张，4500张cat ，4500张dog），10%的数据当做测试集，均有对应文件夹，可以直接进行训练使用 数据命名 cat+数字，dog+数字 VGG16训练结果： train Loss:0.8838, Correct:93.0000 val Loss:0.2155, Correct:96.0000 Training time is:23m 58s

猫狗数据集深度学习测试文件，其中包含12500张未标记的包含猫或狗的图片，可以用于测试猫狗识别的深度学习的成果，或者用于进行半监督学习，以提高猫狗识别准确率。 注：图片为七年前的图片，但是均取自真实世界。

一.构造数据集 我们直接下载下来的猫狗数据集是分为训练集和测试集的25000张猫狗图像。 这个数据集太大了而且猫狗没有分类，我们需要创建一个新的数据集。分为每个类别各1000个样本的训练集和每个类别各500个样本的测试集，验证集。 import os,shutil #解压该目录的文件（训练集照片，25000猫狗图像） original_dataset_dir = 'G:\\Astudy\\python深度学习基于tensorflow\\dataset\\kaggle\\train' #在指定

猫与狗的混蛋 目录 吉特 适用于MacOS 对于Windows 对于Linux 克隆存储库 下载Pycharm IDE 关于该项目 此项目是在Deepraarning.ai上进行的Coursera专业化深度学习完成后创建的，目的是应用从卷积神经网络课程中学到的概念和技术。 安装 吉特 适用于MacOS 对于Windows 对于Linux 克隆存储库 使用VS Code或Pycharm IDE 在VS Code中设置版本控制 用法 发展总结 这个项目开始于不断地比较和交叉引用多个资源，以了解构造