如何在Keras的CNN猫狗图像分类器中新增青蛙类别？

没问题，把原本的猫/狗二分类CNN改成猫/狗/青蛙三分类其实只需要调整几个关键部分，我给你一步步说清楚：

第一步：调整数据集结构 #

首先你需要整理你的训练集和测试集文件夹，确保它们的结构是这样的：

training_set/
├── cats/
│   ├── cat001.jpg
│   └── ...
├── dogs/
│   ├── dog001.jpg
│   └── ...
└── frogs/
    ├── frog001.jpg
    └── ...

test_set/
├── cats/
├── dogs/
└── frogs/

每个子文件夹里放对应类别的图片，Keras的flow_from_directory会自动根据子文件夹名称识别类别。

第二步：修改模型的输出层 #

原来的二分类用的是单神经元+sigmoid激活，三分类需要改成3个神经元+softmax激活（softmax会输出每个类别的概率，总和为1）：

# 替换原来的输出层
classifier.add(Dense(units = 3, activation = 'softmax'))

第三步：调整损失函数和数据生成器的类别模式 #

• 损失函数从二分类的binary_crossentropy换成多分类的categorical_crossentropy
• 数据生成器的class_mode从'binary'改成'categorical'，这样生成器会输出one-hot编码的标签，和损失函数匹配

第四步：修改ModelCheckpoint的监控指标（可选） #

如果你的Keras版本较新，val_acc可能已经被更名为val_accuracy，如果训练时出现指标找不到的错误，记得把monitor='val_acc'改成monitor='val_accuracy'。

修改后的完整代码 #

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
from keras.callbacks import ModelCheckpoint
from keras.preprocessing.image import ImageDataGenerator

# 搭建CNN模型
classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))
# 关键修改1：输出层改为3个神经元+softmax
classifier.add(Dense(units = 3, activation = 'softmax'))

# 关键修改2：损失函数换成categorical_crossentropy
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])

# 模型保存回调（如果新版本Keras报错，把val_acc改成val_accuracy）
filepath="weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5"
checkpoint=ModelCheckpoint(filepath, monitor='val_acc', verbose=1, save_best_only=True, mode='max')
callback_list=[checkpoint]

# 数据增强
train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)

# 关键修改3：class_mode改为categorical
training_set = train_datagen.flow_from_directory('training_set', target_size = (64, 64), batch_size = 32, class_mode = 'categorical')
test_set = test_datagen.flow_from_directory('test_set', target_size = (64, 64), batch_size = 32, class_mode = 'categorical')

# 训练模型
classifier.fit_generator(training_set, steps_per_epoch = 8000, epochs = 10, validation_data = test_set, validation_steps = 2000, callbacks=callback_list)

# 保存训练好的模型
classifier.save('model_after_trained.h5')

额外提示 #

• 训练前可以打印training_set.class_indices，确认Keras识别的类别对应关系（比如{'cats':0, 'dogs':1, 'frogs':2}），方便后续预测时对应结果
• 如果你的数据集大小变化了，记得调整steps_per_epoch和validation_steps的数值，一般是总样本数除以batch_size

内容的提问来源于stack exchange，提问作者Arjun