[keras][VGG]迁移学习应用

环境配置

Python 3.6
scikit-image 0.17.2
numpy 1.19.0
opencv-python 3.4.2.16
opencv-contrib-python 3.4.2.16

程序进程

读取训练数据

train_datagen = ImageDataGenerator(rescale=1./255,
                                  rotation_range = 45,
                                  width_shift_range = 0.2,
                                  height_shift_range = 0.2,
                                  shear_range = 0.2,
                                  zoom_range = 0.2,
                                  horizontal_flip=True)

train_gen = train_datagen.flow_from_directory("data/train",
                                             target_size = (240, 240),
                                             batch_size = 8,
                                             class_mode="categorical")

ImageDataGenerator

可以进行数据增强;
参考链接:Keras ImageDataGenerator

  • rescale : 将 0 ~ 255 的数值归一化到 0 ~ 1 之间;
  • rotation_range : 整数,图片随机旋转角度,取值为 [0, 180],我认为一般默认是逆时针;
  • width_shift_range : 浮点数,某个比例,图片随机水平平移的幅度,取值 [0, 1];
  • height_shift_range : 浮点数,某个比例,图片随机竖直平移的幅度,取值 [0, 1];
  • shear_range : 浮点数,表示(逆时针)剪切变换的程度;
  • zoom_range : 浮点数,表示随即缩放的程度,或者为形如 [lower, upper]的列表;
  • horizontal_flip : 布尔值,随机水平翻转;

自动根据文件夹来分类图片:
[keras][VGG]迁移学习应用_第1张图片

flow_from_directory

可以按照文件夹来编号,自动分类;
[keras][VGG]迁移学习应用_第2张图片
查看一个 batch 中的训练数据,一个 batch 里有 8 张图片,temp[0] 是图片,temp[1] 是标签;
在这里插入图片描述
在这里插入图片描述
[keras][VGG]迁移学习应用_第3张图片
[keras][VGG]迁移学习应用_第4张图片
数据范围是 0 ~ 1:
[keras][VGG]迁移学习应用_第5张图片
独热编码已完成:
[keras][VGG]迁移学习应用_第6张图片
[keras][VGG]迁移学习应用_第7张图片

载入网上预先训练好了的模型

VGG = keras.applications.vgg16.VGG16(weights="imagenet", include_top=False, input_shape=[240, 240, 3])

[keras][VGG]迁移学习应用_第8张图片
或者载入本地存取的文件:

from keras.models import load_model
VGG = load_model("model/VGG_Pretrained.h5")

查看模型信息:
[keras][VGG]迁移学习应用_第9张图片
[keras][VGG]迁移学习应用_第10张图片

在模型末尾加入分类器

from keras.layers import Dense, Flatten

x = VGG.layers[-1].output
x = Flatten()(x)
x = Dense(64, activation="sigmoid")(x)
predictions=Dense(5, activation="softmax")(x)

model = keras.Model(inputs=VGG.inputs, outputs=predictions)

在模型后面加入分类器,注意输出层神经元个数要和标签一致,一定要加入Flatten,不然dense layer无法接受矩阵输入;
简单来说,就添加了两层神经元,比较麻烦的是和原来的模型连接起来;

for layer in model.layers[:-2]:
    layer.trainable=False

只训练最后两层;
[keras][VGG]迁移学习应用_第11张图片

定义优化器

adam = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(loss="categorical_crossentropy", optimizer=adam, metrics=["accuracy"])

训练模型

model.fit_generator(train_gen, steps_per_epoch=12, epochs=10)

[keras][VGG]迁移学习应用_第12张图片
把训练好的模型存起来:
在这里插入图片描述

载入测试数据

import skimage.io as io
import skimage.transform as transform

img = io.imread("data/test/3.jpg")
img = img/255
img = transform.resize(img, output_shape=[240, 240])
print(img.shape)
plt.imshow(img)

[keras][VGG]迁移学习应用_第13张图片
开始测试:

indices = {'紫葡萄': 0, '红苹果': 1, '绿葡萄': 2, '黄苹果': 3, '黄香蕉': 4}
output = model.predict(img.reshape([1, 240, 240, 3]))
print(output)

[keras][VGG]迁移学习应用_第14张图片

输出结果

output_r 有两个数字,分别表示预测结果是多少行和多少列:
[keras][VGG]迁移学习应用_第15张图片

完整源代码

无多余输出信息

# 完整版
import numpy as np
import keras
import matplotlib.pyplot as plt

from keras.models import Sequential
from keras.optimizers import Adam
from keras.utils.np_utils import to_categorical

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255,
                                  rotation_range = 45,
                                  width_shift_range = 0.2,
                                  height_shift_range = 0.2,
                                  shear_range = 0.2,
                                  zoom_range = 0.2,
                                  horizontal_flip=True)

train_gen = train_datagen.flow_from_directory("data/train",
                                             target_size = (240, 240),
                                             batch_size = 8,
                                             class_mode="categorical")
# 从网上下载预先存取好的模型
VGG = keras.applications.vgg16.VGG16(weights="imagenet", include_top=False, input_shape=[240, 240, 3])

# 或者直接从本地导入
# from keras.models import load_model
# VGG = load_model("model/VGG_Pretrained.h5")

# 在原模型末尾加入分类器
from keras.layers import Dense, Flatten

x = VGG.layers[-1].output
x = Flatten()(x)
x = Dense(64, activation="sigmoid")(x)
predictions=Dense(5, activation="softmax")(x)

model = keras.Model(inputs=VGG.inputs, outputs=predictions)

# 设置为只需要训练最后新加入的两层神经元
for layer in model.layers[:-2]:
    layer.trainable=False

# 定义优化器
adam = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(loss="categorical_crossentropy", optimizer=adam, metrics=["accuracy"])

# 训练模型
model.fit_generator(train_gen, steps_per_epoch=12, epochs=10)

# 载入测试数据
import skimage.io as io
import skimage.transform as transform

img = io.imread("data/test/3.jpg")
img = img/255
img = transform.resize(img, output_shape=[240, 240])
# print(img.shape) # 查看图片信息
# plt.imshow(img)

# 结果展示
indices = {'紫葡萄': 0, '红苹果': 1, '绿葡萄': 2, '黄苹果': 3, '黄香蕉': 4}
output = model.predict(img.reshape([1, 240, 240, 3]))
# print(output)

# 使得结果更加清晰
output_r = np.where(output==np.max(output))
print(np.max(output_r[1])) # 表示预测结果的列编号

你可能感兴趣的:(深度学习,深度学习,神经网络,机器学习,迁移学习)