Cats vs dogs script

scripts.py

from keras import Model
from keras import Sequential
from keras.applications import InceptionV3
from keras.layers import Dense
from keras.preprocessing.image import ImageDataGenerator
from keras.preprocessing import image
import numpy as np

def get_model(count_classes):
    inception_model = InceptionV3(pooling='max')  # предобученная модель
    for layer in inception_model.layers:
        layer.trainable = False  # не обучаем предпобученную модель
    inception_out = inception_model.output
    our_output = Dense(count_classes, activation='softmax')(inception_out)
    result_model = Model(inputs=inception_model.input, outputs=our_output)  # объявление модели 

    result_model.compile(loss='categorical_crossentropy',
                         optimizer='adam',
                         metrics=['accuracy'])

    return result_model


def train():
    train_data_dir = 'data/train/'
    validation_data_dir = 'data/valid'
    train_datagen = ImageDataGenerator(
        rescale=1. / 255,
        shear_range=0.2,  # сдвиг на +-20%
        zoom_range=0.2,  # масштабирование на +-20%
        horizontal_flip=True)  # отражение по горизонтали

    test_datagen = ImageDataGenerator(rescale=1. / 255)
    batch_size = 64
    train_generator = train_datagen.flow_from_directory(
        train_data_dir,  # директория с тренировочными данными
        target_size=(299, 299),  # целевой размер картинок
        batch_size=batch_size,  # картинок за итерацию
        class_mode='categorical')

    validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        target_size=(299, 299),
        batch_size=batch_size,
        class_mode='categorical')

    model = get_model(2)
    model.fit_generator(  # обучение модели
        train_generator,
        steps_per_epoch=20000//batch_size,
        epochs=20,
        validation_data=validation_generator,
        validation_steps=5000//batch_size)

    model.save_weights('my_model_weights.h5')  # сохранение модели

def inference(file_name):
    model = get_model(2)
    model.load_weights('my_model_weights.h5')
    img = np.array(image.load_img(file_name, target_size=(299, 299)))/255.  # чтение изображения из файла
    img = np.expand_dims(img, axis=0)
    result = model.predict(img)  # предсказание
    return result[0]

train()
print(inference('data/train/cats/cat.1.jpg'))