迁移学习，故名思意，就是将已经训练完成模型的一部分参数迁移到新的模型中来。我们都知道，训练一个复杂的神经网络是非常费时费力的过程。往往我们需要收集大量已经标注好的训练集，使用昂贵的 GPU 提供算力，再花费不少的时间，才能训练出一个表现不错的模型。
如果两个任务如果存在一定的相关性，比如已经训练好的一个非常优秀的猫狗识别模型，现在需要完成猫兔识别。我们就无需从头开始训练新模型，可以将原模型中的一些权值和中间层迁移到新模型中，这样就大大降低了我们需要的算力，节省了训练时间。
除此之外，对于刚刚接触深度学习的朋友来讲，由于自身经验缺失，大多是没有能力训练一个较好的模型。如果能将大牛训练后的模型加以迁移，那么很快就可以可以让模型满足自己的需求。
迁移学习是机器学习中的非常重要，且值得深入研究的领域。反观人类本身，我们其实就拥有强大的迁移学习能力。经常听到的「举一反三」，也就是对迁移学习的最好印证。
# -*- coding: utf-8 -*-
import os
import glob
from keras.applications.inception_v3 import InceptionV3
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras.preprocessing.image import ImageDataGenerator
# 读取文件数量和分类数量
train_num = 0
for r, dirs, files in os.walk('train_dir'):
for dr in dirs:
train_num += len(glob.glob(os.path.join(r, dr + "/*")))
val_num = 0
for r, dirs, files in os.walk('val_dir'):
for dr in dirs:
val_num += len(glob.glob(os.path.join(r, dr + "/*")))
# 图像数据预处理
datagen = ImageDataGenerator(rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest')
train_generator = datagen.flow_from_directory('train_dir',
target_size=(299, 299),
batch_size=32)
validation_generator = datagen.flow_from_directory('val_dir',
target_size=(299, 299),
batch_size=32)
# 冻结原模型全连接层
base_model = InceptionV3(weights='imagenet', include_top=False)
# 重新配置全连接层
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(2, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)
# 重新训练迁移模型
for layer in base_model.layers:
layer.trainable = False
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
model.fit_generator(train_generator,
epochs=2,
steps_per_epoch=train_num,
validation_data=validation_generator,
validation_steps=val_num,
class_weight='auto')
# 将模型权重保存
model.save_weights('inceptionv3-tl.h5')
# 将模型保存
model.save('inceptionv3-tl.model')