Tensorflow2.0之tf.keras.applacations迁移学习

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，其实就是对图片进行归一化处理。一般 image 的范围是[0, 255]，经过预处理后，image 的范围会变成VGG19希望输入的范围（[-127.5, 127.5]），当然，不是所有网络都是这个范围，像GoogLeNet的输入范围就是[-1, 1]。

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。