基于图像识别的迁移学习之二

1.导库

在Keras里面提供了许多在ImageNet上的预训练模型，VGG-16和ResNet50就是其中的预训练模型，可以通过from tensorflow.keras.applications import VGG16和from tensorflow.keras.applications.resnet50 import ResNet50引入VGG-16模型和RseNet50模型。调用VGG-16模型和RseNet50模型分别使用VGG16(include_top=True, weights=‘imagenet’, input_tensor=None, input_shape=None, pooling=None, classes=1000, classifier_activation=‘softmax’)和ResNet50(include_top=True, weights=‘imagenet’, input_tensor=None, input_shape=None, pooling=None, classes=1000)函数来加载预训练模型，其中两个模型中使用参数基本一致。

include_top：是否保留顶层的3个全连接网络；

weights：None代表随机初始化，即选择不加载预训练权重。‘imagenet’代表加载预训练权重；

input_tensor：可填入Keras tensor作为模型的图像输出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48，如(200,200,3) ；

pooling：当include_top=False时，该参数指定了池化方式。None代表不池化，最后一个卷积层的输出为4D张量。‘avg’代表全局平均池化，‘max’代表全局最大值池化；

classes：可选，图片分类的类别数，仅当include_top=True并且不加载预训练权重时可用；

返回值：Keras 模型对象。

2.加载数据

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

3.使用预训练的VGG-16模型或者ResNet50模型

#使用VGG-16模型

base_model = VGG16(include_top=False, pooling ='avg',input_shape=(32, 32, 3))

#使用RseNet50模型

#base_model = ResNet50(include_top=False, pooling ='avg',input_shape=(32, 32, 3))

for layer in base_model.layers:

    layer.trainable = False

4.编译并训练

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy’])

5.评估模型

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)