keras.applications.vgg16 インポートVGG16
 から keras.models インポートシーケンシャル
 から keras.layers インポートConv2D、MaxPool2D、活性化、ドロップアウト、平坦化は、高密度
 から keras.optimizers インポートSGD
 から keras.preprocessing.image インポートImageDataGenerator、img_to_array、load_imgの
 インポート numpyのNPとして

1 vgg16_model = VGG16（重み= ' imagenet '、include_top =偽、input_shape =（150,150,3））

1  ＃搭建全连接层
2 top_model = シーケンシャル（）
 3 top_model.add（平坦化（input_shape = vgg16_model.output_shape [1 ：]））
 4 top_model.add（高密度（256、活性化= ' relu ' ））
 5 top_model.add （ドロップアウト（0.5 ））
 6 top_model.add（高密度（2、活性化= ' ソフトマックス' ））
 7  
8モデル= シーケンシャル（）
 9  model.add（vgg16_model）
 10 model.add（top_model）

= train_datagen ImageDataGenerator（
    rotation_range = 40、     ＃回転のランダム度 
    width_shift_range = 0.2、 ＃ランダム水平並進 
    height_shift_range = 0.2、 ＃ランダム垂直翻訳 
    再スケール= 1/255、         ＃データ正規化 
    shear_range = 20であり、        ＃ランダム剪断変換 
    zoom_range = 0.2、        ＃ランダム増幅 
    horizontal_flip =真、   ＃水平フリップ 
    fill_mode = ' 最も近い'、    ＃の充填モード
）
test_datagen = ImageDataGenerator（
    再スケール= 1/255、          ＃1 データの正規化 
）

BATCH_SIZE = 32 ＃生成训练数据 
train_generator = train_datagen.flow_from_directory（
     ' 画像/列車' 、
    target_size =（150,150 ）、
    BATCH_SIZE = BATCH_SIZE、 ）＃
     测试数据 
test_generator = test_datagen.flow_from_directory（
     ' 画像/試験' 、
    target_size =（150,150 ） 、
    BATCH_SIZE = BATCH_SIZE、 
    ）

train_generator.class_indices

{ '猫' 0 '犬'：1}

1つの ＃はオプティマイザを定義し、トレーニングプロセスのコスト関数算出精度
2 model.compile（オプティマイザSGD =（= 1E-LR 4、運動量= 0.9）、損失= ' categorical_crossentropy '、メトリック= [ ' 精度' ]）
 。3  
4 model.fit_generator（train_generator、steps_per_epoch = LEN（train_generator）、20 =エポック、validation_data = test_generator、validation_steps = LEN（test_generator））

＃h5pyインストールPIP 
model.saveを（' model_vgg16.h5 '）

テスト

keras.models インポートload_modelの
 インポートNP AS numpyの

ラベル = np.array（[ ' CAT '、' 犬' ]）
＃のロードモデル 
モデル= load_model（' model_vgg16.h5 ' ）

＃のインポートイメージ 
画像load_img =（「画像/テスト/ CAT / cat.1003.jpg " ）
画像

画像= image.resize（（150150 ））
画像 = img_to_array（画像）
画像 =画像/ 255 
画像 = np.expand_dims（イメージ、0）
image.shape

（1、150、150、3）

印刷（ラベル[model.predict_classes（画像）]

['ネコ']

犬や猫のVGG16完全な分類を使用します

おすすめ