文章目录
当在做使用神经网络做分类(或回归)问题时,我们倾向于选择较复杂的网络来提高准确率,但是复杂的网络会使得训练时间变很长。而如果我们使用其他人已经训练好的模型来给我们的任务做分类,需要训练的参数数量就会大大减少。
使用tf.keras.applacations可以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
因为输入VGG19的图片需要满足VGG19的要求,所以我们要先对输入的图片进行预处理。(这里的要求不是指图片尺寸,而是输入输出的数值有所变化,具体是什么我也没搞明白……)
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:是否保留顶层的所有全连接网络
- 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
- 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71,如(150,150,3)
- 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。
将图片输入VGG19进行分类
prediction_probabilities = vgg(image_pre)
此时得到的数据形状为1x1000,即这张图片分别属于这1000个类别的概率。
查看概率最高的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,不需要导入分类层(即所有全连接层)。
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的基础上添加自己的分类层
model = tf.keras.Sequential([
vgg,
tf.keras.layers.GlobalAveragePooling2D(),
tf.keras.layers.Dense(1)
])
之后的训练过程就很常规了。