欢迎来到卷积神经网络（CNN）项目！在这一项目中，你将学到如何建立一个处理现实生活中的，用户提供的图像的算法。给你一个狗的图像，你的算法将会识别并估计狗的品种，如果提供的图像是人，代码将会识别最相近的狗的品种。

在学习用于分类的最先进的 CNN 模型的同时，你将会为用户体验做出重要的设计与决定。我们的目标是，当你完成这一项目时，你将可以理解，通过将一系列模型拼接在一起，设计数据处理管道完成各式各样的任务所面临的挑战。每个模型都有它的优点与缺点，并且设计实际应用时，经常会面对解决许多没有最优解的问题。尽管你的解答不是最优的，但你的设计将带来愉快的用户体验！

1. 克隆存储库并打开下载的文件夹。

git clone https://github.com/udacity/cn-deep-learning.git
cd cn-deep-learning/dog-project

2. 下载狗狗数据集 ，并将数据集解压大存储库中，地点为项目路径/dogImages.

3. 下载人类数据集。并将数据集解压大存储库中，位置为项目路径/lfw 。

4. 为狗狗数据集下载 VGG-16关键特征 并将其放置于存储库中，位置为项目路径/bottleneck_features 。

5. 安装必要的 Python 依赖包

   对于 Mac/OSX：

   conda env create -f requirements/dog-mac.yml
   source activate dog-project
   KERAS_BACKEND=tensorflow python -c "from keras import backend"

   对于 Windows：

   conda env create -f requirements/dog-windows.yml
   activate dog-project
   set KERAS_BACKEND=tensorflow
   python -c "from keras import backend"

6. 打开 notebook

jupyter notebook dog_app.ipynb

注意： 我们虽然已经实现了一些代码，让你更快地开始工作，你仍需要实现额外的功能，以回答 notebook 中所有的问题。 除非有要求，否则不要修改任何已经包含的代码。

你的项目将会由优达学城的审阅者依据次项目的评审标准进行审阅。请仔细阅读，并在提交之前自我评估你的项目。你必须通过了规则中的所有要求，才会审核通过。

当你准备好提交你的项目时，将下列文件整理并压缩成一个文件，以便上传。

• 代码完整可运行的文件 dog_app.ipynb，所有的代码块都要执行并展示结果，并要求回答所有问题
• 将你的 notebook 导出为 HTML 或 PDF 格式，并以 report.html 或是 report.pdf 命名
• 任何用于项目中，并且并非由我们为这一项目提供的额外数据图片。 请不要将 dogImages/ 或是 lfw/ 文件夹中的项目数据包含在内，同样的，请不要将 bottleneck_features/ 文件夹包含在内。

此外，你也可以通过 GitHub 连接提交项目。