使用 Keras + TensorFlow 开发一个复杂深度学习模型

使用 Keras + TensorFlow 开发一个复杂深度学习模型 

本帖最后由 Oner 于 2017-5-25 19:37 编辑 问题导读： 1. 为什么选择Keras？ 2. 怎么安装Keras，并且把TensorFlow作为后端？ 3. Keras序列模型是什么？ 4. 如何使用 Keras 保存和恢复预训练的模型？ 5. 如何使用Keras API开发VGG卷积神经网络？ 6. 如何使用Keras API构建并运行SqueezeNet卷积神经网络？ Keras 是提供一些高可用的 Python API ，能帮助你快速的构建和训练自己的深度学习模型，它的后端是 TensorFlow 或者 Theano 。本文假设你已经熟悉了 TensorFlow 和卷积神经网络，如果，你还没有熟悉，那么可以先看看这个10分钟入门 TensorFlow 教程[http://cv-tricks.com/artificial- ... ensorflow-tutorial/]和卷积神经网络教程[http://cv-tricks.com/tensorflow- ... age-classification/]，然后再回来阅读这个文章。 在这个教程中，我们将学习以下几个方面： 为什么选择 Keras？为什么 Keras 被认为是深度学习的未来？ 在Ubuntu上面一步一步安装Keras。 Keras TensorFlow教程：Keras基础知识。 了解 Keras 序列模型 4.1 实际例子讲解线性回归问题 使用 Keras 保存和回复预训练的模型 Keras API 6.1 使用Keras API开发VGG卷积神经网络 6.2 使用Keras API构建并运行SqueezeNet卷积神经网络 1. 为什么选择Keras？ Keras 是 Google 的一位工程师 François Chollet [https://twitter.com/fchollet]开发的一个框架，可以帮助你在 Theano 上面进行快速原型开发。后来，这被扩展为 TensorFlow 也可以作为后端。并且最近，TensorFlow决定将其作为 contrib 文件中的一部分进行提供。 Keras 被认为是构建神经网络的未来，以下是一些它流行的原因： 轻量级和快速开发：Keras 的目的是在消除样板代码。几行 Keras 代码就能比原生的 TensorFlow 代码实现更多的功能。你也可以很轻松的实现 CNN 和 RNN，并且让它们运行在 CPU 或者 GPU 上面。 框架的“赢者”：Keras 是一个API，运行在别的深度学习框架上面。这个框架可以是 TensorFlow 或者 Theano。Microsoft 也计划让 CNTK 作为 Keras 的一个后端。目前，神经网络框架世界是非常分散的，并且发展非常快。具体，你可以看看 Karpathy 的这个推文：   想象一下，我们每年都要去学习一个新的框架，这是多么的痛苦。到目前为止，TensorFlow 似乎成为了一种潮流，并且越来越多的框架开始为 Keras 提供支持，它可能会成为一种标准。 目前，Keras 是成长最快的一种深度学习框架。因为可以使用不同的深度学习框架作为后端，这也使得它成为了流行的一个很大的原因。你可以设想这样一个场景，如果你阅读到了一篇很有趣的论文，并且你想在你自己的数据集上面测试这个模型。让我们再次假设，你对TensorFlow 非常熟悉，但是对Theano了解的非常少。那么，你必须使用TensorFlow 对这个论文进行复现，但是这个周期是非常长的。但是，如果现在代码是采用Keras写的，那么你只要将后端修改为TensorFlow就可以使用代码了。这将是对社区发展的一个巨大的推动作用。 2. 怎么安装Keras，并且把TensorFlow作为后端 a) 依赖安装 安装 h5py，用于模型的保存和载入： [Python]    ? 1 pip install h5py 还有一些依赖包也要安装。 [Python]  ? 1 2 pip install numpy scipy pip install pillow 如果你还没有安装TensorFlow，那么你可以按照这个 教程先去安装TensorFlow。一旦，你安装完成了 TensorFlow，你只需要使用 pip 很容易的安装 Keras。 [Python]    ? 1 sudo pip install keras 使用以下命令来查看 Keras 版本。 [Python]    ? 1 2 >>> import kerasUsing TensorFlow backend. >>> keras.__version__ '2.0.4' 一旦，Keras 被安装完成，你需要去修改后端文件，也就是去确定，你需要 TensorFlow 作为后端，还是 Theano 作为后端，修改的配置文件位于  ~/.keras/keras.json 。具体配置如下： [Python]    ? 1 2 3 4 5 6 {      "floatx" : "float32" ,      "epsilon" : 1e - 07 ,      "backend" : "tensorflow" ,      "image_data_format" : "channels_last" } 请注意，参数  image_data_format 是  channels_last ，也就是说这个后端是 TensorFlow。因为，在TensorFlow中图像的存储方式是 [height, width, channels]，但是在Theano中是完全不同的，也就是  [channels, height, width]。因此，如果你没有正确的设置这个参数，那么你模型的中间结果将是非常奇怪的。对于Theano来说，这个参数就是 channels_first。 那么，至此你已经准备好了，使用Keras来构建模型，并且把TensorFlow作为后端。 3. Keras基础知识 在Keras中主要的数据结构是  model ，该结构定义了一个完整的图。你可以向已经存在的图中加入任何的网络结构。 [Python]    ? 1 import keras Keras 有两种不同的建模方式： Sequential models：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。 Functional API：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型，比如多输出模型，有向无环图等等。 在本文的下一节中，我们将学习Keras的Sequential models 和 Functional API的理论和实例。 4. Keras Sequential models 在这一部分中，我将来介绍Keras Sequential models的理论。我将快速的解释它是如何工作的，还会利用具体代码来解释。之后，我们将解决一个简单的线性回归问题，你可以在阅读的同时运行代码，来加深印象。 以下代码是如何开始导入和构建序列模型。 [Python]    ? 1 2 from keras.models import Sequential models = Sequential() 接下来我们可以向模型中添加 Dense（full connected layer），Activation，Conv2D，MaxPooling2D函数。 [Python]    ? 1 2 3 from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten, Dropout model.add(Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 100 , 100 , 32 ))) # This ads a Convolutional layer with 64 filters of size 3 * 3 to the graph 以下是如何将一些最流行的图层添加到网络中。我已经在卷积神经网络教程[http://cv-tricks.com/tensorflow- ... age-classification/]中写了很多关于图层的描述。 1. 卷积层 这里我们使用一个卷积层，64个卷积核，维度是33的，之后采用  relu 激活函数进行激活，输入数据的维度是 `100100*32`。注意，如果是第一个卷积层，那么必须加上输入数据的维度，后面几个这个参数可以省略。 [Python]    ? 1 model.add(Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 100 , 100 , 32 ))) 2. MaxPooling 层 指定图层的类型，并且指定赤的大小，然后自动完成赤化操作，酷毙了！ [Python]    ? 1 model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) 3. 全连接层 这个层在 Keras 中称为被称之为 Dense 层，我们只需要设置输出层的维度，然后Keras就会帮助我们自动完成了。 [Python]    ? 1 model.add(Dense( 256 , activation = 'relu' )) 4. Dropout [Python]    ? 1 model.add(Dropout( 0.5 )) 5. 扁平层 model.add(Flatten()) 4. 数据输入 网络的第一层需要读入训练数据。因此我们需要去制定输入数据的维度。因此， input_shape 参数被用于制定输入数据的维度大小。 [Python]    ? 1 model.add(Conv2D( 32 , ( 3 , 3 ), activation = 'relu' , input_shape = ( 224 , 224 , 3 ))) 在这个例子中，数据输入的第一层是一个卷积层，输入数据的大小是  224*224*3 。 以上操作就帮助你利用序列模型构建了一个模型。接下来，让我们学习最重要的一个部分。一旦你指定了一个网络架构，你还需要指定优化器和损失函数。我们在Keras中使用compile函数来达到这个功能。比如，在下面的代码中，我们使用  rmsprop 来作为优化器， binary_crossentropy 来作为损失函数值。 [Python]    ? 1 model. compile (loss = 'binary_crossentropy' , optimizer = 'rmsprop' ) 如果你想要使用随机梯度下降，那么你需要选择合适的初始值和超参数： [Python]    ? 1 2 3 from keras.optimizers import SGD sgd = SGD(lr = 0.01 , decay = 1e - 6 , momentum = 0.9 , nesterov = True ) model. compile (loss = 'categorical_crossentropy' , optimizer = sgd) 现在，我们已经构建完了模型。接下来，让我们向模型中输入数据，在Keras中是通过 fit 函数来实现的。你也可以在该函数中指定  batch_size 和  epochs 来训练。 [Python]    ? 1 model.fit(x_train, y_train, batch_size = 32 , epochs = 10 , validation_data(x_val, y_val)) 最后，我们使用  evaluate 函数来测试模型的性能。 [Python]    ? 1 score = model.evaluate(x_test, y_test, batch_size = 32 ) 这些就是使用序列模型在Keras中构建神经网络的具体操作步骤。现在，我们来构建一个简单的线性回归模型。 4.1 实际例子讲解线性回归问题 问题陈述 在线性回归问题中，你可以得到很多的数据点，然后你需要使用一条直线去拟合这些离散点。在这个例子中，我们创建了100个离散点，然后用一条直线去拟合它们。 a) 创建训练数据 TrainX 的数据范围是 -1 到 1，TrainY 与 TrainX 的关系是3倍，并且我们加入了一些噪声点。 [Python]    ? 1 2 3 4 5 6 7 import keras from keras.models import Sequential from keras.layers import Dense import numpy as np   trX = np.linspace( - 1 , 1 , 101 ) trY = 3 * trX + np.random.randn( * trX.shape) * 0.33 b) 构建模型 首先我们需要构建一个序列模型。我们需要的只是一个简单的链接，因此我们只需要使用一个  Dense 层就够了，然后用线性函数进行激活。 [Python]    ? 1 2 model = Sequential() model.add(Dense(input_dim = 1 , output_dim = 1 , init = 'uniform' , activation = 'linear' )) 下面的代码将设置输入数据 x，权重 w 和偏置项 b。然我们来看看具体的初始化工作。如下： [Python]    ? 1 2 3 4 5 weights = model.layers[ 0 ].get_weights() w_init = weights[ 0 ][ 0 ][ 0 ] b_init = weights[ 1 ][ 0 ] print ( 'Linear regression model is initialized with weights w: %.2f, b: %.2f' % (w_init, b_init)) ## Linear regression model is initialized with weight w: -0.03, b: 0.00 现在，我们可以l利用自己构造的数据 trX 和 trY 来训练这个线性模型，其中 trY 是 trX 的3倍。因此，权重  w 的值应该是 3。 我们使用简单的梯度下降来作为优化器，均方误差（MSE）作为损失值。如下： [Python]    ? 1 model. compile (optimizer = 'sgd' , loss = 'mse' ) 最后，我们使用  fit 函数来输入数据。 [Python]    ? 1 model.fit(trX, trY, nb_epoch = 200 , verbose = 1 ) 在经过训练之后，我们再次打印权重： [Python]    ? 1 2 3 4 5 6 weights = model.layers[ 0 ].get_weights() w_final = weights[ 0 ][ 0 ][ 0 ] b_final = weights[ 1 ][ 0 ] print ( 'Linear regression model is trained to have weight w: %.2f, b: %.2f' % (w_final, b_final))   ##Linear regression model is trained to have weight w: 2.94, b: 0.08 正如你所看到的，在运行 200 轮之后，现在权重非常接近于 3。你可以将运行的轮数修改为区间 [100, 300] 之间，然后观察输出结构有什么变化。现在，你已经学会了利用很少的代码来构建一个线性回归模型，如果要构建一个相同的模型，在 TensorFlow 中需要用到更多的代码。 5. 使用 Keras 保存和回复预训练的模型 HDF5 二进制格式 一旦你利用Keras完成了训练，你可以将你的网络保存在HDF5里面。当然，你需要先安装 h5py。HDF5 格式非常适合存储大量的数字收，并从 numpy 处理这些数据。比如，我们可以轻松的将存储在磁盘上的多TB数据集进行切片，就好像他们是真正的 numpy 数组一样。你还可以将多个数据集存储在单个文件中，遍历他们或者查看  .shape 和  .dtype 属性。 如果你需要信心，那么告诉你，NASA也在使用 HDF5 进行数据存储。h5py 是python对HDF5 C API 的封装。几乎你可以用C在HDF5上面进行的任何操作都可以用python在h5py上面操作。 保存权重 如果你要保存训练好的权重，那么你可以直接使用  save_weights 函数。 [Python]    ? 1 model.save_weights( "my_model.h5" ) 载入预训练权重 如果你想要载入以前训练好的模型，那么你可以使用  load_weights 函数。 [Python]    ? 1 model.load_weights( 'my_model_weights.h5' ) 6. Keras API 如果对于简单的模型和问题，那么序列模型是非常好的方式。但是如果你要构建一个现实世界中复杂的网络，那么你就需要知道一些功能性的API，在很多流行的神经网络中，我们都有一个最小的网络结构，完整的模型是根据这些最小的模型进行叠加完成的。这些基础的API可以让你一层一层的构建模型。因此，你只需要很少的代码就可以来构建一个完整的复杂神经网络。 让我们来看看它是如何工作的。首先，你需要导入一些包。 [Python]    ? 1 from keras.models import Model 现在，你需要去指定输入数据，而不是在顺序模型中，在最后的  fit 函数中输入数据。这是序列模型和这些功能性的API之间最显著的区别之一。我们使用  input() 函数来申明一个 1*28*28 的张量。 [Python]    ? 1 2 3 4 from keras.layers import Input ## First, define the vision modules   digit_input = Input (shape = ( 1 , 28 , 28 )) 现在，让我们来利用API设计一个卷积层，我们需要指定要在在哪个层使用卷积网络，具体代码这样操作： [Python]    ? 1 2 3 4 x = Conv2D( 64 , ( 3 , 3 ))(digit_input) x = Conv2D( 64 , ( 3 , 3 ))(x) x = MaxPooling2D(( 2 , 2 ))(x) out = Flatten()(x) 最后，我们对于指定的输入和输出数据来构建一个模型。 [Python]    ? 1 vision_model = Model(digit_input, out) 当然，我们还需要指定损失函数，优化器等等。但这些和我们在序列模型中的操作一样，你可以使用  fit 函数和  compile 函数来进行操作。 接下来，让我们来构建一个vgg-16模型，这是一个很大很“老”的模型，但是由于它的简洁性，它是一个很好的学习模型。 6.1 使用Keras API开发VGG卷积神经网络 VGG： VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时，由于它的简洁性和实用性，马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中， VGG 在Top-5中取得了92.3%的正确率。 该模型有一些变种，其中最受欢迎的当然是 vgg-16，这是一个拥有16层的模型。你可以看到它需要维度是 224*224*3 的输入数据。   Vgg 16 architecture 让我们来写一个独立的函数来完整实现这个模型。 [Python]    ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 img_input = Input (shape = input_shape) # Block 1 x = Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block1_conv1' )(img_input) x = Conv2D( 64 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block1_conv2' )(x) x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block1_pool' )(x)   # Block 2 x = Conv2D( 128 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block2_conv1' )(x) x = Conv2D( 128 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block2_conv2' )(x) x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block2_pool' )(x)   # Block 3 x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv1' )(x) x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv2' )(x) x = Conv2D( 256 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block3_conv3' )(x) x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block3_pool' )(x)   # Block 4 x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv1' )(x) x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv2' )(x) x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block4_conv3' )(x) x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block4_pool' )(x)   # Block 5 x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv1' )(x) x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv2' )(x) x = Conv2D( 512 , ( 3 , 3 ), activation = 'relu' , padding = 'same' , name = 'block5_conv3' )(x) x = MaxPooling2D(( 2 , 2 ), strides = ( 2 , 2 ), name = 'block5_pool' )(x)   x = Flatten(name = 'flatten' )(x) x = Dense( 4096 , activation = 'relu' , name = 'fc1' )(x) x = Dense( 4096 , activation = 'relu' , name = 'fc2' )(x) x = Dense(classes, activation = 'softmax' , name = 'predictions' )(x) 我们可以将这个完整的模型，命名为 vgg16.py。 在这个例子中，我们来运行  imageNet 数据集中的某一些数据来进行测试。具体代码如下： [Python]  ? 1 2 3 4 5 6 7 8 9 model = applications.VGG16(weights = 'imagenet' ) img = image.load_img( 'cat.jpeg' , target_size = ( 224 , 224 )) x = image.img_to_array(img) x = np.expand_dims(x, axis = 0 ) x = preprocess_input(x) preds = model.predict(x) for results in decode_predictions(preds):      for result in results:          print ( 'Probability %0.2f%% => [%s]' % ( 100 * result[ 2 ], result[ 1 ]))   正如你在图中看到的，模型会对图片中的物体进行一个识别预测。 我们通过API构建了一个VGG模型，但是由于VGG是一个很简单的模型，所以并没有完全将API的能力开发出来。接下来，我们通过构建一个 SqueezeNet模型，来展示API的真正能力。 6.2 使用Keras API构建并运行SqueezeNet卷积神经网络 SequeezeNet 是一个非常了不起的网络架构，它的显著点不在于对正确性有多少的提高，而是减少了计算量。当SequeezeNet的正确性和AlexNet接近时，但是ImageNet上面的预训练模型的存储量小于5 MB，这对于在现实世界中使用CNN是非常有利的。SqueezeNet模型引入了一个 Fire模型，它由交替的 Squeeze 和 Expand 模块组成。   SqueezeNet fire module 现在，我们对 fire 模型进行多次复制，从而来构建完整的网络模型，具体如下：   为了去构建这个网络，我们将利用API的功能首先来构建一个单独的  fire 模块。 [Python]  纯文本查看  复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 # Squeeze part of fire module with 1 * 1 convolutions, followed by Relu x = Convolution2D(squeeze, ( 1 , 1 ), padding = 'valid' , name = 'fire2/squeeze1x1' )(x) x = Activation( 'relu' , name = 'fire2/relu_squeeze1x1' )(x)   #Expand part has two portions, left uses 1 * 1 convolutions and is called expand1x1 left = Convolution2D(expand, ( 1 , 1 ), padding = 'valid' , name = 'fire2/expand1x1' )(x) left = Activation( 'relu' , name = 'fire2/relu_expand1x1' )(left)   #Right part uses 3 * 3 convolutions and is called expand3x3, both of these are follow#ed by Relu layer, #Note that both receive x as input as designed. right = Convolution2D(expand, ( 3 , 3 ), padding = 'same' , name = 'fire2/expand3x3' )(x) right = Activation( 'relu' , name = 'fire2/relu_expand3x3' )(right)   # Final output of Fire Module is concatenation of left and right. x = concatenate([left, right], axis = 3 , name = 'fire2/concat' ) 为了重用这些代码，我们可以将它们转换成一个函数： [Python]    ? 1 2 3 4 5 sq1x1 = "squeeze1x1" exp1x1 = "expand1x1" exp3x3 = "expand3x3" relu = "relu_" WEIGHTS_PATH = "https://github.com/rcmalli/keras-squeezenet/releases/download/v1.0/squeezenet_weights_tf_dim_ordering_tf_kernels.h5" 模块化处理 [Python]    ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 sq1x1 = "squeeze1x1" exp1x1 = "expand1x1" exp3x3 = "expand3x3" relu = "relu_"   def fire_module(x, fire_id, squeeze = 16 , expand = 64 ):     s_id = 'fire' + str (fire_id) + '/'     x = Convolution2D(squeeze, ( 1 , 1 ), padding = 'valid' , name = s_id + sq1x1)(x)     x = Activation( 'relu' , name = s_id + relu + sq1x1)(x)       left = Convolution2D(expand, ( 1 , 1 ), padding = 'valid' , name = s_id + exp1x1)(x)     left = Activation( 'relu' , name = s_id + relu + exp1x1)(left)       right = Convolution2D(expand, ( 3 , 3 ), padding = 'same' , name = s_id + exp3x3)(x)     right = Activation( 'relu' , name = s_id + relu + exp3x3)(right)       x = concatenate([left, right], axis = 3 , name = s_id + 'concat' ) return x 现在，我们可以利用我们构建好的单独的 fire 模块，来构建完整的模型。 [Python]  纯文本查看  复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 x = Convolution2D( 64 , ( 3 , 3 ), strides = ( 2 , 2 ), padding = 'valid' , name = 'conv1' )(img_input) x = Activation( 'relu' , name = 'relu_conv1' )(x) x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool1' )(x)   x = fire_module(x, fire_id = 2 , squeeze = 16 , expand = 64 ) x = fire_module(x, fire_id = 3 , squeeze = 16 , expand = 64 ) x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool3' )(x)   x = fire_module(x, fire_id = 4 , squeeze = 32 , expand = 128 ) x = fire_module(x, fire_id = 5 , squeeze = 32 , expand = 128 ) x = MaxPooling2D(pool_size = ( 3 , 3 ), strides = ( 2 , 2 ), name = 'pool5' )(x)   x = fire_module(x, fire_id = 6 , squeeze = 48 , expand = 192 ) x = fire_module(x, fire_id = 7 , squeeze = 48 , expand = 192 ) x = fire_module(x, fire_id = 8 , squeeze = 64 , expand = 256 ) x = fire_module(x, fire_id = 9 , squeeze = 64 , expand = 256 ) x = Dropout( 0.5 , name = 'drop9' )(x)   x = Convolution2D(classes, ( 1 , 1 ), padding = 'valid' , name = 'conv10' )(x) x = Activation( 'relu' , name = 'relu_conv10' )(x) x = GlobalAveragePooling2D()(x) out = Activation( 'softmax' , name = 'loss' )(x)   model = Model(inputs, out, name = 'squeezenet' ) 完整的网络模型我们放置在 squeezenet.py 文件里。我们应该先下载 imageNet 预训练模型，然后在我们自己的数据集上面进行训练和测试。下面的代码就是实现了这个功能： [Python]  纯文本查看  复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 import numpy as np from keras_squeezenet import SqueezeNet from keras.applications.imagenet_utils import numpy as np from keras_squeezenet import SqueezeNet from keras.applications.imagenet_utils import preprocess_input, decode_predictions from keras.preprocessing import image   model = SqueezeNet()   img = image.load_img( 'pexels-photo-280207.jpeg' , target_size = ( 227 , from keras_squeezenet import SqueezeNet from keras.applications.imagenet_utils import preprocess_input, decode_predictions from keras.preprocessing import image   model = SqueezeNet()   img = image.load_img( 'pexels-photo-280207.jpeg' , target_size = ( 227 , , 227 ))