TensorFlow与CNN猫狗识别实战：从数据到模型部署完整指南

毕业设计选“猫狗识别”这个题目的人很多，但它确实是最适合入门卷积神经网络的选题之一：公开数据集好找、任务就是二分类、模型可以做得不大、普通笔记本甚至 CPU 也能训练。这次我们就把一套基于 TensorFlow + CNN 的猫狗二分类实现完整过一遍，从环境配置、数据集整理、模型搭建、训练验证到单张图片预测，每一步都给出可以直接运行的代码，目标是让你学完以后，换到自己的数据集上也能跑通。

这个项目解决的最大痛点不是模型公式有多难，而是很多同学从安装 TensorFlow 开始就卡住，或者数据路径不对，或者显存不够，导致代码一直报错。下面这套流程会把常见坑提前说明，你照着操作，比改论文里面那些公式参数更实在。

先给结论：如果你要做毕业设计、课程设计，或者只是想搞懂 CNN 是怎么工作的，这个项目值得优先试。整个流程涉及的代码量不多，但覆盖了数据加载、模型构建、训练回调、结果评估、单图预测这些完整环节。下面按章节拆开讲。

1. 猫狗识别项目核心能力速览

先看这个项目的整体情况。下方表格里的内容，部分是通用实践结论，部分需要根据你自己的数据和机器现场验证。

这个项目最大的优点是“流程完整”。它不是只给一段训练代码，而是把数据、模型、训练、返回结果这几步串起来，非常适合毕业论文里的“系统实现”章节。

2. 适用场景与使用边界

猫狗识别适合下面几类用户：

• 毕业设计选型是图像分类方向，需要一个能跑通的基线模型。
• 刚开始学 CNN，想通过一个简单项目理解卷积、池化、全连接这些概念。
• 需要快速验证 TensorFlow 环境是否可用，训练一个小模型看流程。
• 想在本地把前端上传、后端调用模型、返回分类结果这一套流程做完，猫狗识别正是最简单的模型载体。

但有几个边界要提前说清楚：

• 这个项目解决的是“二分类”问题，如果要做多分类、目标检测、语义分割，需要更换模型结构。
• 数据质量决定模型上限。如果训练集只有几十张图，模型很容易过拟合，表现在训练集准确率很高，验证集准确率不稳定。
• 如果做毕设，建议使用公开数据集，并遵守对应平台的使用条款；如果想自己爬图，必须确认图片来源合规，不要拿未授权图片做商用或公开发布。
• 涉及人脸、宠物肖像、个人相册等素材时，要注意隐私和授权问题。

3. 环境准备：TensorFlow 安装与硬件门槛

3.1 版本选择

TensorFlow 2.x 是目前最常用的版本。搜索关键词里有人提到 TensorFlow 2.18，说明这个版本已经有社区使用，但安装时请以官方 PyPI 版本为准，推荐使用 2.15 到 2.18 之间的稳定版本。版本太高可能对旧显卡驱动不友好，版本太低又可能出现 API 兼容问题。

检查本机 Python 环境：

python --version

建议使用 Python 3.9 到 3.12 之间的版本，这样 TensorFlow 安装包选择更稳妥。

3.2 安装 TensorFlow

CPU 环境直接安装即可：

pip install tensorflow

如果你有 NVIDIA 显卡，并且已经装好 CUDA 和 cuDNN，可以安装 GPU 版本。TensorFlow 2.x 的 PyPI 包在 Windows/Linux 下会自动匹配 GPU 支持，前提是驱动版本和 CUDA 版本满足官方要求：

pip install tensorflow

注意：新版 TensorFlow 不再严格区分tensorflow和tensorflow-gpu，统一安装tensorflow包即可。装完后确认 GPU 是否可用：

import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices('GPU'))

如果list_physical_devices('GPU')返回空列表，说明当前环境只有 CPU 可用，需要检查驱动或 CUDA 版本。

3.3 显存和硬件门槛

CNN 二分类模型占用的显存并不夸张。以 150x150 输入、batch_size 为 32 为例，常见的 4GB 显卡可以跑；如果显存只有 2GB 或无法使用 GPU，可以把输入尺寸降到 128x128，batch_size 降到 16。CPU 也能跑，只是训练时间会明显变长。

没有实测数据的情况下，最稳妥的方式是先用一个小 batch 训练一个 epoch，观察显存占用，再根据情况调整。

4. 数据集准备：整理猫狗二分类数据

4.1 数据集目录结构

建议把所有图片按下面的目录结构整理：

data/ train/ cats/ dogs/ validation/ cats/ dogs/

Keras 的image_dataset_from_directory会直接读取目录名作为类别标签，所以目录名必须规范。

如果你的数据是 Kaggle 的原始train/cat.0.jpg、train/dog.0.jpg这种文件结构，可以先用脚本转换成上面的目录结构。

4.2 数据加载代码

训练代码最推荐使用 TensorFlow 自带的image_dataset_from_directory，避免自己写图片读取循环：

import tensorflow as tf batch_size = 32 img_height = 150 img_width = 150 train_ds = tf.keras.utils.image_dataset_from_directory( "data/train", labels="inferred", label_mode="int", image_size=(img_height, img_width), batch_size=batch_size, shuffle=True ) val_ds = tf.keras.utils.image_dataset_from_directory( "data/validation", labels="inferred", label_mode="int", image_size=(img_height, img_width), batch_size=batch_size, shuffle=False )

label_mode="int"会生成 0 和 1 两个标签，对应猫和狗。顺序取决于目录名排序，一般 cats 在前、dogs 在后。如果不确定，可以打印类别名：

print(train_ds.class_names)

4.3 数据预处理

image_dataset_from_directory返回的图片是 0 到 255 的整数像素值，需要缩放到 0 到 1 之间。可以在模型的第一层加一个Rescaling层，也可以在数据流里用 map 实现。

建议直接放到模型里，简洁且便于导出模型时保留预处理逻辑：

normalization = tf.keras.layers.Rescaling(1.0 / 255)

4.4 数据集数量建议

统计一下训练集和验证集图片数量。最简单的方法是打印数据集大小：

print("训练集 batches:", len(train_ds)) print("验证集 batches:", len(val_ds))

如果训练集数量很少，每个类别只有几十张，建议优先检查数据是否完整，或者考虑使用预训练权重迁移学习，而不是从零训练一个大模型。

5. CNN 模型构建：代码逐行详解

5.1 基础模型结构

猫狗二分类任务不需要堆太深的网络。下面这个结构是标准的入门级 CNN，实测稳定、收敛快：

from tensorflow.keras import layers, models model = models.Sequential([ layers.Rescaling(1.0 / 255, input_shape=(img_height, img_width, 3)), layers.Conv2D(32, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Flatten(), layers.Dense(256, activation='relu'), layers.Dropout(0.5), layers.Dense(1, activation='sigmoid') ]) model.summary()

逐层拆解：

• Rescaling(1.0 / 255)：像素归一化。
• Conv2D(32, (3, 3), activation='relu')：第一层卷积，提取边缘、纹理等低层特征。
• MaxPooling2D((2, 2))：降低特征图尺寸，减少计算量。
• 第二层、第三层卷积：逐步提取更抽象的语义特征。
• Flatten()：把多维特征图拉平，送入全连接层。
• Dense(256, activation='relu')：全连接层，组合特征。
• Dropout(0.5)：随机丢弃一半神经元，降低过拟合风险。
• Dense(1, activation='sigmoid')：二分类输出层，输出 0 到 1 之间的概率。

整个模型参数量不会太大，在普通显卡上训练时间可控。如果你想提高准确率，可以把卷积核数量从 32/64/128 改成 64/128/256，但显存占用和训练时间也会增加。

5.2 损失函数与优化器

二分类问题有两种写法：

• 使用Dense(1, activation='sigmoid')，损失函数用binary_crossentropy。
• 使用Dense(2, activation='softmax')，损失函数用sparse_categorical_crossentropy。

第一种更简洁。编译代码如下：

model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] )

如果你在训练时发现 loss 降不下去，可以先检查标签是否真的是 0 和 1，再检查最后一个全连接层的激活函数是否为sigmoid。

6. 训练配置与回调函数

6.1 数据增强

如果训练集数量不多，可以加上简单的数据增强，提高模型泛化能力。Keras 内置的数据增强层很方便：

data_augmentation = models.Sequential([ layers.RandomFlip("horizontal"), layers.RandomRotation(0.05), layers.RandomZoom(0.05), ])

使用方式有两种：把增强层放进模型的第一层，或者在读取数据后通过map处理。建议单独运行增强层做检查，确认增强后的图片不会变形过度。

6.2 回调函数

训练建议使用回调函数，这里有三个非常关键：

from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau callbacks = [ EarlyStopping(patience=5, restore_best_weights=True), ModelCheckpoint("best_model.keras", save_best_only=True), ReduceLROnPlateau(factor=0.2, patience=3) ]

• EarlyStopping：当验证集指标多个 epoch 不再提升时，自动停止训练。
• ModelCheckpoint：只保存验证集上表现最好的模型。
• ReduceLROnPlateau：验证集指标停滞时，自动降低学习率。

6.3 执行训练

history = model.fit( train_ds, validation_data=val_ds, epochs=20, callbacks=callbacks )

第一次跑建议把epochs设成 10，先确认流程能走通，再调大训练轮数。

7. 训练与效果验证

7.1 观察训练曲线

训练结束后，最好画出准确率和损失曲线，判断模型是否有过拟合或欠拟合：

import matplotlib.pyplot as plt acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(acc) + 1) plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(epochs, acc, 'b', label='Training acc') plt.plot(epochs, val_acc, 'r', label='Validation acc') plt.title('Training and validation accuracy') plt.legend() plt.subplot(1, 2, 2) plt.plot(epochs, loss, 'b', label='Training loss') plt.plot(epochs, val_loss, 'r', label='Validation loss') plt.title('Training and validation loss') plt.legend() plt.tight_layout() plt.show()

如果训练集准确率很高、验证集准确率低，这就是典型的过拟合。解决办法是增加数据量、增强数据增强强度、加大 Dropout 比例。

如果训练集和验证集准确率都低，可能是模型容量不足，可以增加卷积层数量或加大卷积核数量。

7.2 评估测试集

保存的模型best_model.keras可以直接在验证集上评估：

best_model = tf.keras.models.load_model("best_model.keras") loss, acc = best_model.evaluate(val_ds, verbose=1) print(f"验证集损失: {loss:.4f}") print(f"验证集准确率: {acc:.4f}")

注意：验证集准确率是多少取决于数据量、数据质量和训练轮次。不同数据集之间可以直接比较，但不要拿你自己的准确率和某个特定博主的结果做绝对对比。

8. 单张图片预测与批量推理

8.1 单张图片预测

训练完成后的模型是一个.keras文件。预测单张图片时，需要使用和训练时相同的img_height和img_width：

import numpy as np import tensorflow as tf def predict_image(image_path, model_path="best_model.keras"): model = tf.keras.models.load_model(model_path) img = tf.keras.utils.load_img( image_path, target_size=(150, 150) ) img_array = tf.keras.utils.img_to_array(img) img_array = tf.expand_dims(img_array, 0) img_array = img_array / 255.0 prob = model.predict(img_array, verbose=0)[0][0] if prob > 0.5: label = "dog" confidence = prob else: label = "cat" confidence = 1 - prob return label, float(confidence) print(predict_image("test_pics/sample_dog.jpg")) print(predict_image("test_pics/sample_cat.jpg"))

注意，目录里的标签顺序是 cats 在前遍历得到的 0，dogs 在后得到 1，所以prob > 0.5判断为 dog。如果你的数据目录顺序不同，要自己确认class_names[0]和class_names[1]分别对应哪个类别，再改判断逻辑。

8.2 批量预测一个文件夹

如果需要批量预测多张图片，可以加一个循环：

import os def predict_folder(folder_path): results = [] for name in os.listdir(folder_path): if name.lower().endswith((".jpg", ".jpeg", ".png")): path = os.path.join(folder_path, name) label, confidence = predict_image(path) results.append((name, label, confidence)) return results results = predict_folder("test_pics") for name, label, confidence in results: print(f"{name}: {label} ({confidence:.2f})")

8.3 导出模型后续使用

训练好的best_model.keras可以直接用于后续 Python 脚本，也可以转成 TensorFlow Lite 或 ONNX 格式，放到手机上或嵌入式设备里。如果想做成 Web 服务，可以考虑用 Flask 或 FastAPI 包一个接口，这部分属于部署扩展，不是本教程核心。

9. 资源占用与性能观察

9.1 显存观察方法

训练时观察显存占用，推荐使用命令行：

nvidia-smi -l 1

也可以写一个小脚本打印 GPU 显存占用：

import tensorflow as tf gpus = tf.config.list_physical_devices('GPU') if gpus: print("GPU 数量:", len(gpus)) for gpu in gpus: print("GPU 名称:", gpu)

9.2 CPU 和 GPU 的差异

CPU 也能训练这个二分类模型，但训练时间会明显长于 GPU。如果你没有独立显卡，建议：

• 输入尺寸从 150x150 降到 128x128。
• batch_size 从 32 降到 16。
• 训练轮次先设 10 轮。
• 使用tf.data.AUTOTUNE预取数据，提高 CPU 数据吞吐量。

train_ds = train_ds.cache().prefetch(buffer_size=tf.data.AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=tf.data.AUTOTUNE)

9.3 影响资源占用的关键因素

• 输入图片尺寸：越大越吃显存。
• batch_size：每批图片数量越大，显存占用越高。
• 卷积核数量：64、128、256 逐层增大时，模型计算量明显上升。
• 训练轮数：不影响显存，但影响训练时间。
• 数据增强：增强层在 CPU 上执行，如果增强强度过大，会拖慢整体训练速度。

如果训练过程中报显存不足，优先减小 batch_size，其次减小图片尺寸。尽量不要盲目降低卷积核数量，否则模型表达能力会下降。

10. 常见问题与排查方法

11. 最佳实践与扩展方向

11.1 目录管理建议

建议把项目目录和训练产物分开：

cat_dog_project/ data/ train/ validation/ src/ train.py predict.py models/ best_model.keras test_pics/

训练脚本、预测脚本、模型文件分别放不同目录，避免后续做系统功能时找不到文件。

11.2 第一次训练的小技巧

第一次跑通不要追求效果，先重点关注以下几项：

• 是否能正常加载数据。
• 是否能完成一个 epoch 的训练。
• 验证集 loss 是否有下降趋势。
• 单个 epoch 耗时可接受。
• 保存的模型文件能否正常加载和预测。

走通这五步之后，再加大数据集、调大模型、增加训练轮数，这样排查问题的成本最低。

11.3 合规与版权提醒

猫狗识别涉及图片素材，当你准备数据集时要注意：

• 优先使用公开数据集，遵守数据集的许可证要求。
• 不要随意爬取他人网站图片做发布或商业用途。
• 如果做毕设，需要在论文中注明数据来源。
• 涉及个人照片、宠物肖像时，必须获得授权。
• 如果后续把项目发布到网上，不要内置未授权的图片。

11.4 从二分类扩展到更多方向

这个项目的价值在于流程完整，后续可以往几个方向延伸：

• 迁移学习：把Conv2D结构替换成 MobileNetV2、EfficientNet 等预训练模型，在小数据集上效果更好。
• 多分类：把最后一层改成Dense(num_classes, activation='softmax')，损失函数改成sparse_categorical_crossentropy，即可扩展成多种动物分类。
• 部署：用 Flask 或 FastAPI 包一个 HTTP 接口，接收上传图片并返回识别结果。
• 数据增强：加入更多图像预处理方式，提高模型鲁棒性。

实际做毕设时，核心是把“数据准备、模型训练、结果评估、网页展示”这条链路说清楚，猫狗识别作为载体已经足够。

后面如果想让项目更完整，建议先着重复现上面 8 节和 9 节的预测与评估流程，把准确率曲线、混淆矩阵、单图预测结果放到论文里，整套方案就会显得很扎实。最好再准备一套小规模验证数据，专门用来解释模型对不同图片的判断结果，这部分内容在答辩时很加分。