使用预训练模型

#实例化模型模型< -application_resnet50（重量=“imagenet”）#加载图像img_path < -“elephant.jpg”img < -image_load(img_pathtarget_size =c（224，224）)x < -image_to_array(img)#确保我们有一个4d张量，在批处理维度中有单个元素，#对输入进行预处理，使用resnet50进行预测x < -array_reshape(x,c（1，昏暗的(x)))x < -imagenet_preprocess_input(x)#做出预测，然后解码并打印出来仅仅< -模型% > %预测(x)imagenet_decode_predictions(仅仅,顶级=3.) [[1]]

模型< -application_vgg16（重量=“imagenet”，include_top =假）img_path < -“elephant.jpg”img < -image_load(img_pathtarget_size =c（224，224）)x < -image_to_array(img)x < -array_reshape(x,c（1，昏暗的(x)))x < -imagenet_preprocess_input(x)< -特点模型% > %预测(x)

base_model < -application_vgg19（重量=“imagenet”）模型< -keras_model（输入=base_model＄输入,输出=get_layer(base_model“block4_pool”）＄输出)img_path < -“elephant.jpg”img < -image_load(img_pathtarget_size =c（224，224）)x < -image_to_array(img)x < -array_reshape(x,c（1，昏暗的(x)))x < -imagenet_preprocess_input(x)block4_pool_features < -模型% > %预测(x)

#创建基础预训练模型base_model < -application_inception_v3（重量=“imagenet”，include_top =假）#添加我们的自定义图层预测< -base_model＄输出% > %layer_global_average_pooling_2d（）% > %layer_dense（单位=1024，激活=“relu”）% > %layer_dense（单位=200，激活=“softmax”）#这是我们要训练的模型模型< -keras_model（输入=base_model＄输入,输出=预测)# first:只训练顶层(随机初始化)#即冻结所有卷积的InceptionV3层freeze_weights(base_model)#编译模型(应该在将图层设置为不可训练后进行)模型% > %编译（优化器=“rmsprop”，损失=“categorical_crossentropy”）#在新数据上训练模型几个epoch模型% > %fit_generator(…)#在这一点上，顶层训练得很好，我们可以开始微调#卷积层从初始V3。我们将冻结底部的N层#和训练剩余的顶层。#让我们可视化图层名称和图层索引，看看有多少层#我们应该冻结:层< -base_model＄层为(我在1：长度(层)猫(我,层[[我]]＄的名字,＂\ n＂）#我们选择训练前2个初始块，即我们将冻结#前172层，并解冻其余的:freeze_weights(base_model从=1，=172）unfreeze_weights(base_model从=173）为了使这些修改生效，我们需要重新编译模型#我们使用学习率低的SGD模型% > %编译（优化器=optimizer_sgd（lr =0.0001，动量=0.9)，损失=“categorical_crossentropy”）#我们再次训练我们的模型(这次微调前2个初始块#顶部密集的层模型% > %fit_generator(…)

#这也可以是一个不同的Keras模型或层的输出input_tensor < -layer_input（形状=c（224，224，3.）)模型< -application_inception_V3（input_tensor =input_tensor,重量=“imagenet”，include_top =真正的）