我主要用于tensorflow来进行二分类：
下面先直接上代码：
1、图片的准备与预处理阶段：
在G的文件夹下要有你分类名称的文件夹：比如你要分类猫，狗，猪，那么你就要在这G的文件夹下新建三个文件夹，名称分别为这三个。这里的G也是我随便起的，你只需要在下面的data_path = pathlib.Path(‘c:/users/hb/.keras/datasets/G’)，中把路径修改一下。

import tensorflow as tf
import random
import pathlib
import numpy as np
data_path = pathlib.Path('c:/users/hb/.keras/datasets/G')
all_image_paths = list(data_path.glob('*/*'))  
all_image_paths = [str(path) for path in all_image_paths]  # 所有图片路径的列表
random.shuffle(all_image_paths)  # 打散image_count = len(all_image_paths)label_names = sorted(item.name for item in data_path.glob('*/') if item.is_dir())
label_to_index = dict((name, index) for index, name in enumerate(label_names))
all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths]
ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels))def load_and_preprocess_from_path_label(path, label):image = tf.io.read_file(path)  # 读取图片image = tf.image.decode_jpeg(image, channels=3)image = tf.image.resize(image, [60, 60])  # 原始图片大小为(100, 100, 3)，重设为(192, 192)image /= 255.0  # 归一化到[0,1]范围return image, labelimage_label_ds  = ds.map(load_and_preprocess_from_path_label)train_image = []
train_label = []
for image, label in zip(all_image_paths, all_image_labels):r_image,r_label= load_and_preprocess_from_path_label(image, label)train_image.append(r_image)train_label.append(r_label)train_images = np.array(train_image)
train_labels = np.array(train_label)

2、模型的建立与编译运行阶段：
因为Keras是一个比较高级的API，所以，你只需要明白每一层（layers）的参数如何设置，以及定义优化器（optimizer），损失函数（loss），及度量标准（metrics），这些定义好了，然后用到前面你已经准备好的训练集了：model.fit（图像(train_images)，标签(train_labels)，epochs = 训练次数）

from tensorflow import keras
from tensorflow.keras import layersmodel = keras.Sequential(
[layers.Flatten(input_shape=[60, 60, 3]),layers.Dense(128, activation='relu'),layers.Dense(10, activation='softmax')#这个地方有篇博客中说是二分类的话，用一个神经元！，而且要用sigmoid方式，不能用softmax方式
])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=500)

这下面我省略了一步，就是测试集来验证，如果正规的步骤，这是必不可少的！用测试集可以来评判我们的模型是不是出现过拟合（或者欠拟合）问题，而我只是简单的跑通一个模型，就先省略那一步，其实那一步就是按照你处理了训练集的步骤处理测试集，再用同样的方法看下结果。

3、用模型进行预测阶段：

#itt = img_convert_ndarray.reshape(1,60,60,3)
a1,b1 = load_and_preprocess_from_path_label("c:/users/hb/desktop/test1/nbbbb/nbya/50.png",1)
it = np.array(list(a1))
itt = it.reshape(1,60,60,3)
model.predict(itt)

返回的结果如下：

array([[1.6504961e-01, 8.3495039e-01, 1.6727029e-12, 1.8568482e-14,8.2999219e-11, 4.0040343e-20, 9.6357375e-15, 3.9275240e-17,3.2707468e-13, 5.0083925e-19]], dtype=float32)

Be happy every day！