Keras入门教程 6.Keras 预训练模型应用

Keras 入门教程

• 1.线性回归建模（快速入门）
• 2.线性模型的优化
• 3.波士顿房价回归 (MPL)
• 4.卷积神经网络（CNN）
• 5.使用LSTM RNN 进行时间序列预测
• 6.Keras 预训练模型应用

---

Keras 预训练模型应用

Keras 应用模块用于为深度神经网络提供预训练模型。Keras 模型用于预测、特征提取和微调。本节详细介绍了 Keras 应用程序。

预训练模型
训练好的模型由模型架构和模型权重两部分组成。模型权重是大文件，因此我们必须从 ImageNet 数据库下载并提取特征。下面列出了一些流行的预训练模型：

• ResNet
• VGG16
• MobileNet
• InceptionResNetV2
• InceptionResNetV3

加载模型

from keras.applications import vgg16, inception_v3, resnet50, mobilenet
#Load the VGG model
vgg_model = vgg16.VGG16(weights = 'imagenet')
#Load the Inception_V3 model
inception_model = inception_v3.InceptionV3(weights = 'imagenet')
#Load the ResNet50 model
resnet_model = resnet50.ResNet50(weights = 'imagenet')
#Load the MobileNet model 
mobilenet_model = mobilenet.MobileNet(weights = 'imagenet')

加载模型后，我们可以立即将其用于预测目的。让我们在接下来的章节中检查每个预训练模型。

ResNet是一个预训练模型。它使用 ImageNet 进行训练。在 ImageNet 上预训练的 ResNet 模型权重。它具有以下语法:

keras.applications.resnet.ResNet50 (
   include_top = True,
   weights = 'imagenet',
   input_tensor = None,
   input_shape = None,
   pooling = None, 
   classes = 1000
)

• include_top 指的是网络顶部的全连接层。
• weights 指的是 ImageNet 上的预训练。
• input_tensor 指用作模型的图像输入的可选的 Keras 张量。
• input_shape 指可选的形状元组。此模型的默认输入大小为 224x224。
• clasees 指用于对图像进行分类的可选数量的类。

让我们通过写一个简单的例子来理解模型：

第 1 步：导入模块

加载如下指定的必要模块:

import PIL
from keras.preprocessing.image import load_img, image 
from keras.preprocessing.image import img_to_array 
from keras.applications.imagenet_utils import decode_predictions 
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.keras.applications import vgg16, inception_v3, resnet50, mobilenet

import matplotlib.pyplot as plt
%matplotlib inline

第 2 步：选择一个输入

选择一个输入图像，网上找了一张图片，如下所示：

filename = 'pp8.png'
original = load_img(filename, target_size = (224, 224))
print('PIL image size',original.size)
plt.imshow(original);

在这里，我们加载了一个图像并显示了它。

第 3 步：将图像转换为 NumPy 数组

将输入的 Banana 转换为 NumPy 数组，以便将其传递到模型中以进行预测。

# 将图 转 numpy 数组
numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
print('numpy array size',numpy_image.shape)

# 将图转 图的批量格式
image_batch = np.expand_dims(numpy_image, axis = 0)
print('image batch size', image_batch.shape)

numpy array size (224, 224, 3)
image batch size (1, 224, 224, 3)

第 4 步：模型预测

将输入输入模型以获得预测

# 为 resnet50 模型 格式
processed_image = resnet50.preprocess_input(image_batch.copy())
# 创建 resnet 模型
resnet_model = resnet50.ResNet50(weights = 'imagenet')

# 获得 预测可能分类
predictions = resnet_model.predict(processed_image)

输出

# 转化为可能分类标签
label = decode_predictions(predictions,top=1)
print(label)

[[(‘n02676566’, ‘acoustic_guitar’, 0.98159516)]]

# 换另张图
filename = 'ba.png'

original1 = load_img(filename, target_size = (224, 224))
print('PIL image size',original1.size)
plt.imshow(original1)

numpy_image1 = img_to_array(original1)
plt.imshow(np.uint8(numpy_image1))
print('numpy array size',numpy_image1.shape)

image_batch1 = np.expand_dims(numpy_image1, axis = 0)
print('image batch size', image_batch1.shape)

processed_image1 = resnet50.preprocess_input(image_batch1.copy())
predictions1 = resnet_model.predict(processed_image1)
label = decode_predictions(predictions1,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.99918777)]]

换其他模型

VGG16

VGG16 是另一个预训练模型。它还使用 ImageNet 进行训练。加载模型的语法如下：

keras.applications.vgg16.VGG16(
   include_top = True,
   weights = 'imagenet',
   input_tensor = None,
   input_shape = None,
   pooling = None,
   classes = 1000
)

此模型的默认输入大小为 224x224。

MobileNetV2

MobileNetV2 是另一个预训练模型。它也是使用ImageNet 进行训练。 加载模型的语法如下:

keras.applications.mobilenet_v2.MobileNetV2 (
   input_shape = None, 
   alpha = 1.0, 
   include_top = True, 
   weights = 'imagenet', 
   input_tensor = None, 
   pooling = None, 
   classes = 1000
)

alpha控制网络的宽度。如果该值低于 1，则减少每层中的过滤器数量。如果该值大于 1，则增加每层中的过滤器数量。如果 alpha = 1，则在每一层使用纸张的默认过滤器数量。

此模型的默认输入大小为224x224。

InceptionResNetV2

InceptionResNetV2 是另一个预训练模型。它也是使用ImageNet 进行训练。加载模型的语法如下:

keras.applications.inception_resnet_v2.InceptionResNetV2 (
   include_top = True, 
   weights = 'imagenet',
   input_tensor = None, 
   input_shape = None, 
   pooling = None, 
   classes = 1000)

此模型可以使用“channels_first”数据格式（通道、高度、宽度）或“channels_last”数据格式（高度、宽度、通道）构建。

此模型的默认输入大小为299x299。

InceptionV3

InceptionV3 是另一个预训练模型。它也是使用ImageNet 进行训练。加载模型的语法如下：

keras.applications.inception_v3.InceptionV3 (
   include_top = True, 
   weights = 'imagenet', 
   input_tensor = None, 
   input_shape = None, 
   pooling = None, 
   classes = 1000
)

此模型的默认输入大小为299x299。

#Load the VGG model
vgg_model = vgg16.VGG16(weights = 'imagenet')

#Load the Inception_V3 model
inception_model = inception_v3.InceptionV3(weights = 'imagenet')

#Load the MobileNet model 
mobilenet_model = mobilenet.MobileNet(weights = 'imagenet')

vgg16_image = vgg16.preprocess_input(image_batch1.copy())
inception_image = inception_v3.preprocess_input(image_batch1.copy())
mobilenet_image = mobilenet.preprocess_input(image_batch1.copy())

pred_vgg16 = vgg_model.predict(vgg16_image)
label = decode_predictions(pred_vgg16,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.9616605)]]

pred_mobilenet = mobilenet_model.predict(mobilenet_image)
label = decode_predictions(pred_mobilenet,top=1)
print(label)

[[(‘n07753592’, ‘banana’, 0.9993032)]]

由于inception_v3模型默认的大小是299*299，因此图片重新处理，并归一化，使得分类效果更加明显。

img = image.load_img("ba.png", target_size=(299, 299))
input_image = image.img_to_array(img)
input_image /= 255.
input_image -= 0.5
input_image *= 2.
# Add a 4th dimension for batch size (Keras)
input_image = np.expand_dims(input_image, axis=0)

# Run the image through the NN
predictions = inception_model.predict(input_image)

# Convert the predictions into text
predicted_classes = inception_v3.decode_predictions(predictions, top=1)
predicted_classes

[[(‘n07753592’, ‘banana’, 0.99996054)]]