Tensorflow2.0之tf.keras.applacations迁移学习

文章目录

• 直接使用模型（包含分类层）
• 对输入的图片进行预处理
• 实例化VGG19模型
• 将图片输入VGG19进行分类
• 查看几率最高的5个类别
• 已有网络+自定义分类层
• 实例化VGG19模型
• 在vgg的基础上添加本身的分类层

当在作使用神经网络作分类（或回归）问题时，咱们倾向于选择较复杂的网络来提升准确率，可是复杂的网络会使得训练时间变很长。而若是咱们使用其余人已经训练好的模型来给咱们的任务作分类，须要训练的参数数量就会大大减小。
使用tf.keras.applacations能够轻松地进行迁移学习，下面用VGG19模型举例。

直接使用模型（包含分类层）

对输入的图片进行预处理

由于输入VGG19的图片须要知足VGG19的要求，因此咱们要先对输入的图片进行预处理，其实就是对图片进行归一化处理。通常 image 的范围是[0, 255]，通过预处理后，image 的范围会变成VGG19但愿输入的范围（[-127.5, 127.5]），固然，不是全部网络都是这个范围，像GoogLeNet的输入范围就是[-1, 1]。

image_pre = tf.keras.applications.vgg19.preprocess_input(image)

实例化VGG19模型

vgg = tf.keras.applications.VGG19(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, classes=1000)

• include_top：是否保留顶层的全部全链接网络
• weights：None表明随机初始化，即不加载预训练权重。'imagenet’表明加载预训练权重
• input_tensor：可填入Keras tensor做为模型的图像输出tensor
• input_shape：可选，仅当include_top=False有效，应为长为3的tuple，指明输入图片的shape，图片的宽高必须大于71，如(150,150,3)
• classes：可选，图片分类的类别数，仅当include_top=True而且不加载预训练权重时可用。

将图片输入VGG19进行分类

prediction_probabilities = vgg(image_pre)

此时获得的数据形状为1x1000，即这张图片分别属于这1000个类别的几率。

查看几率最高的5个类别

predicted_top_5 = tf.keras.applications.vgg19.decode_predictions(prediction_probabilities.numpy())[0]

已有网络+自定义分类层

此时在导入VGG19时，不须要导入分类层（即全部全链接层）。

实例化VGG19模型

vgg = tf.keras.applications.VGG19(include_top=False, weights='imagenet')
vgg.trainable = False

vgg.trainable = False表示不对vgg中的参数进行训练。

在vgg的基础上添加本身的分类层

model = tf.keras.Sequential([
  vgg,
  tf.keras.layers.GlobalAveragePooling2D(),
  tf.keras.layers.Dense(1)
])

以后的训练过程就很常规了。