本文主要讲述如何使用keras来微调VGG16模型在kaggle的猫狗大战的数据集上实现迁移学习，精度达到了97%，在多训练几个epoch会更高，如果本文有错误的地方欢迎大家斧正，有什么问题也欢迎大家与我交流讨论。
一、对数据集进行预处理
读取图像数据存储到数组中，然后归一化到0-1之间，将图像大小统一resize为100x100
设置数据生成器，减小内存负担。
def data_generator(all_img_name, all_label, batch_size, h=100, w=100):
"""
该函数用于生成批量的数据，用于fit_generator批量训练
:param all_train_name:
:param batch_size:
:return:
"""
batches = len(all_img_name) // batch_size
while True:
for i in range(batches):
name_batch = all_img_name[i * batch_size: (i + 1) * batch_size]
label_batch = all_label[i * batch_size: (i + 1) * batch_size]
# label 转化为one-hot编码
Y = to_categorical(label_batch, num_classes=2)
X = np.array([])
for j in range(batch_size):
img_path = name_batch[j]
labels = label_batch
# 读取img
img = cv.imread(img_path)
# resize
img = cv.resize(img, (h, w))/255.0
if len(X.shape) < 3:
X = img[np.newaxis, :, :]
else:
X = np.concatenate((X, img[np.newaxis, :, :]), axis=0)
yield (X, Y)二、定义网络结构
在这里我们以VGG16的结构为基础，去掉其后面的全连接层，加上自己设计的3个全连接层，下图左图为我使用的网络结构右图为VGG16的网络结构，我修改了网络的输入大小，vgg16的大小为224x224我的大小为100x100
keras封装了vgg模型的函数
model = keras.applications.vgg16.VGG16(include_top=True, weights='imagenet', input_tensor=None, input_shape=None, pooling=None, classes=1000)
你可以在下面这个地址下载VGG16的权重（如果你设置weights参数为imagenet的话他会自动下载）
https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5参数
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，即不加载预训练权重。'imagenet'代表加载预训练权重，这里输入权重的地址，如果你填的是imagenet那么他会自动从github上下载VGG16的权重
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)
返回值
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。
def vgg_model(vgg_weights_path):
# 定义模型
base_model = VGG16(weights=vgg_weights_path,
include_top=False, input_shape=(100, 100, 3))
x = Flatten()(base_model.output)
x = Dense(1024, activation="relu")(x)
x = Dense(200, activation="relu")(x)
y_pred = Dense(2, activation="softmax")(x)
model = Model(inputs=base_model.input, outputs=y_pred)
model.summary()
return model训练
使用sklearn.model_selection的train_test_split函数来划分训练集与测试集
train_X, test_X, train_Y, test_Y = train_test_split(x_name, y, test_size=0.2, random_state=0)
使用keras里面的fit_generator()函数来进行批量训练
history = model.fit_generator(generator=data_generator(train_X, train_Y, batch_size, h, w),
steps_per_epoch=len(train_X) // batch_size,
epochs=epoch, verbose=1, validation_data=data_generator(test_X, test_Y, h, w),
validation_steps=len(test_X) // batch_size)在这里我是使用GPU来进行训练的，一个epoch大概3-4分钟左右
预测
预测效果如下，我总共训练了4个epoch，在训练集上的精度达到了98%，在测试集上的精度达到了95%，稍微有点过拟合，加个dropout然后稍微调一下应该就好了。
总结
keras真的是简洁方便
