传统的卷积神经网络是利用全连接层进行分类，svm对于小样本数据具有较强的分类效果，利用SVM代替卷积神经网络中的全连接层，可以提高网络识别精度

这份数据集来源于Kaggle，数据集有12500只猫和12500只狗。在这里简单介绍下整体思路 处理数据 设计神经网络 进行训练测试 1. 数据处理 将图片数据处理为 tf 能够识别的数据格式，并将数据设计批次。 第一步get_files() 方法读取图片，然后根据图片名，添加猫狗 label，然后再将 image和label 放到 数组中，打乱顺序返回 将第一步处理好的图片 和label 数组 转化为 tensorflow 能够识别的格式，然后将图片裁剪和补充进行标准化处理，分批次返回。 新建数据处理文件 ，文件名 input_data.py import tensor

通过TensorFlow搭建卷积神经网络实现猫狗识别代码，训练和测试代码完整，下载之后可以直接运行测试打码，运行环境在Linux下，需要把代码中的路径修改为本机实际路径

最好联系书本学习，input是输入文件，evaluateCatorDog是主文件，traning是训练文件，model模型文件

里面包括四个Python文件和各有八十张左右的test\train数据集,training用于训练模型,model是模型结构,input_data用于读取图片,evaluateCatordog识别,使用时更改train和eva..两个里面路径运行train即可.

采用tensorflow实现猫狗的识别。首先是进行模型的撰写，然后训练，最后测试。具体的训练图片在网上下载即可

通过TensorFlow搭建卷积神经网络实现猫狗识别代码，训练和测试代码完整，下载之后可以直接运行测试打码，运行环境在Linux下，需要把代码中的路径修改为本机实际路径