下一步是使用从sklearn包导入的函数train_test_split拆分数据集。具有后缀RI、RL的集合是rawImages和标签对的拆分结果，另一个是特征和标签对的拆分结果。我们使用数据集的85％作为训练集，15％作为测试集。

　　最后，我们运用KNN、SVM和BP神经网络函数来评估数据。对于KNN，我们使用KNeighborsClassifier；对于SVM，我们使用SVC；对于BP神经网络，我们使用MLPClassifier。

　　第二种方法：

　　使用TensorFlow构建CNN。TensorFlow的目的是让你构建一个计算图（使用任何类似Python的语言），然后用C ++来执行图形操作，这比直接用Python来执行相同的计算要高效得多。

　　TensorFlow还可以自动计算优化图形变量所需的梯度，以便使模型更好地运行。这是因为图形是简单数学表达式的组合，因此可以使用导数的链式规则来计算整个图形的梯度。

　　TensorFlow图由以下部分组成：

　　用于将数据输入图表的占位符变量。

　　要进行优化的变量，以便使卷积网络更好地得以运行。

　　卷积网络的数学公式。

　　可用于指导变量优化的成本衡量标准。

　　一种更新变量的优化方法。

　　CNN架构由不同层的堆叠形成，其通过可微函数将输入量转换成输出量（例如类别分数）。

　　所以在我们的实现操作中，第一层是保存图像，然后我们构建了3个具有2×2最大池和修正线性单元（ReLU）的卷积层。

　　输入是一个具有以下尺寸的四维张量：

　　图像编号。

　　每个图像的Y轴。

　　每个图像的X轴。

　　每个图像的通道。

　　输出是另一个四维张量，具有以下尺寸：

　　图像号，与输入相同。

　　每个图像的Y轴。如果使用的是2×2池，则输入图像的高度和宽度除以2。

　　每个图像的X轴。同上。

　　由卷积滤波器产生的通道。

　　然后我们在网络末端构建了2个完全连接的层。输入是形状为[num_images，num_inputs]的2维张量。输出是形状为[num_images，num_outputs]的2维张量。

　　然而，为了连接卷积层和完全连接层，我们需要一个平坦层，将4维张量减小到2维，从而可以用作完全连接层的输入。

　　CNN的最后端始终是一个softmax层，它将来自全连接层的输出归一化，使得每个元素被限制在0和1之间，而所有元素总和为1。

　　为了优化训练结果，我们需要一个成本衡量标准，并尽量减少每次迭代。我们在这里使用的成本函数是交叉熵（从tf.nn.oftmax_cross_entropy_with_logits（）调用），并对所有图像分类采用交叉熵的平均值。优化方法是tf.train.AdamOptimizer（），它是Gradient Descent的高级形式。这是一个调整的参数学习率。

　　第三种方法：

　　Retrain Inception V3物体识别模型有数百万个参数，可能需要几周才能完全训练。迁移学习是一种技术，可以通过为一组类别（如ImageNet）采用训练有素的模型来快速完成此项工作，并从新类别的现有权重中进行训练。虽然它不如全训练运行得那么好，但对于许多应用来说，这是非常有效的，并且可以在笔记本电脑上运行，只要运行三十分钟即可，无需GPU。对于这部分的实现，我们可以按照下边的说明进行操作：

　　https://www.tensorflow.org/tutorials/image_retraining。

　　首先，我们需要获得预先训练的模型，删除旧的顶层，并在我们拥有的数据集上训练一个新的模型。在一个没有猫品种的原始ImageNet类中，要对完整的网络进行训练。迁移学习的神奇之处在于，经过训练以区分某些对象的较低层可以重用于许多识别任务，而无需任何更改。然后我们分析磁盘上的所有图像，并计算其中每个图像的瓶颈值（bottleneck values）。点击这里查看bottleneck的详细信息（https://www.tensorflow.org/tutorials/image_retraining）。每个图像在训练过程中被重复使用多次，所以计算每个瓶颈值都需要花费大量的时间，因此可以加快缓存这些瓶颈值，从而不必重复计算。

　　该脚本将运行4000个训练步骤。每个步骤从训练集中随机选择十个图像，从缓存中发现其瓶颈，并将它们馈送到最后一层以获得预测。然后将这些预测与实际标签进行比较，从而通过反向传播过程更新最终层的权重。

　　开始实验

　　数据集

　　牛津IIIT宠物数据集（~vgg/data/pets/）

　　有25个品种的狗和12个品种的猫。每个品种有200张图像。

　　我们在项目中只使用了10个猫品种。