Keras的TensorFlow Hub
TensorFlow中心是一种共享预训练模型组件的方法。查看TensorFlow模块Hub获取预训练模型的可搜索列表。本教程演示了:
- 如何在Keras中使用TensorFlow Hub。
- 如何使用TensorFlow Hub进行图像分类。
- 如何做简单的迁移学习。
设置
一个ImageNet分类器
下载分类器
使用layer_hub加载移动网络并将其转换为Keras层。任何来自tfhub.dev的TensorFlow 2兼容的图像分类器URL都可以在这里工作。
classifier_url < -“https://tfhub.dev/google/tf2-preview/mobilenet_v2/classification/2”mobilenet_layer < -layer_hub（处理=classifier_url)# ># >完成了!然后我们可以创建Keras模型:
输入< -layer_input（形状=c（224，224，3.）)输出< -输入% > %mobilenet_layer（）模型< -keras_model(输入、输出)在单个图像上运行它
下载一张图片来试用模型。
img < -image_read（“https://storage.googleapis.com/download.tensorflow.org/example_images/grace_hopper.jpg”）% > %image_resize（几何=“224 x224x3 !”）% > %image_data（）% > %as.numeric（）% > %abind：：abind（沿着=0）#展开为批处理维度
结果< -预测(模型、img)mobilenet_decode_predictions(结果,-1，滴=假]）# > [[1]]#> class_name class_description评分#> 1 n03763968 military_uniform 9.355025#> 2 n03787032学士帽5.400680#> 3 n02817516熊皮5.297816#> 4 n04350905套装5.200010#> 5 n09835506球员4.792098学习简单的转移
使用TF Hub可以很容易地重新训练模型的顶层，以识别数据集中的类。
数据集
在这个例子中，你将使用TensorFlow花数据集:
data_root < -针：：销（“https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz”，“flower_photos”）data_root < -fs：：path_dir(fs：：path_dir(data_root [One hundred.)))#向下2层将此数据加载到模型的最简单方法是使用image_data_generator
所有TensorFlow Hub的图像模块都期望[0,1]范围内的浮点输入。使用image_data_generator的rescale参数来实现这一点。
image_generator < -image_data_generator（重新调节=1/255，validation_split =0.2）training_data < -flow_images_from_directory（目录=data_root,发电机=image_generator,target_size =c（224，224)，子集=“培训”）发现2939张图片属于5个类。validation_data < -flow_images_from_directory（目录=data_root,发电机=image_generator,target_size =c（224，224)，子集=“确认”）发现731张图片属于5个类。结果对象是一个返回的迭代器image_batch，label_batch双．
下载无头模型
TensorFlow Hub也分发没有顶级分类层的模型。这些可以用来轻松地进行迁移学习。
来自tfhub.dev的任何Tensorflow 2兼容的图像特征向量URL都可以在这里工作。
feature_extractor_url < -“https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/2”feature_extractor_layer < -layer_hub（处理=feature_extractor_url)附上分类标头
现在，我们可以通过将分类头附加到特征提取层来创建分类模型。我们定义了以下模型:
输入< -layer_input（形状=c（224，224，3.）)输出< -输入% > %feature_extractor_layer（）% > %layer_dense（单位=training_data＄num_classes,激活=“softmax”）模型< -keras_model(输入、输出)总结(模型)# >模型:“model_1”#> ________________________________________________________________________________#>图层输出形状参数##> ================================================================================#> input_2 (InputLayer) [(None, 224,224,3)] 0#> ________________________________________________________________________________#> keras_layer_1 (KerasLayer)(无，1280)2257984#> ________________________________________________________________________________#> dense (dense) (None, 5) 6405#> ================================================================================总参数:2,264,389#>可训练参数:6405#>不可训练参数:2,257,984#> ________________________________________________________________________________火车模型
我们现在可以像训练其他Keras模型一样训练我们的模型。我们第一次使用编译配置培训流程:
模型% > %编译（损失=“categorical_crossentropy”，优化器=“亚当”，指标=“acc”）然后我们可以使用适合函数来适应我们的模型。
模型% > %fit_generator（training_data,steps_per_epoch =training_data＄n/training_data＄batch_size,validation_data =validation_data）# >1/91[..............................]-埃塔：7：07-损失：1.8092-acc：0.21882/91[..............................]-埃塔：5：08-损失：1.8743-acc：0.17193./91[..............................]-埃塔：4：55-损失：1.8324-acc：0.17714/91［>.............................]-埃塔：4：29-损失：1.7727-acc：0.21885/91［>.............................]-埃塔：4：17-损失：1.7390-acc：0.23756/91［>.............................]-埃塔：4：02-损失：1.6711-acc：0.28127/91(=>............................]-埃塔：3.：52-损失：1.6428-acc：0.29468/91(=>............................]-埃塔：3.：42-损失：1.6052-acc：0.32429/91(=>............................]-埃塔：3.：33-损失：1.5795-acc：0.333310/91［= =>...........................]-埃塔：3.：27-损失：1.5399-acc：0.343811/91［= =>...........................]-埃塔：3.：22-损失：1.5016-acc：0.366512/91［= =>...........................]-埃塔：3.：18-损失：1.4670-acc：0.385413/91［= == >..........................]-埃塔：3.：15-损失：1.4373-acc：0.406214/91［= == >..........................]-埃塔：3.：14-损失：1.3955-acc：0.428615/91［= == >..........................]-埃塔：3.：12-损失：1.3622-acc：0.447916/91［= ===＞.........................]-埃塔：3.：09-损失：1.3322-acc：0.459017/91［= ===＞.........................]-埃塔：3.：06-损失：1.3177-acc：0.465118/91［= ===＞.........................]-埃塔：3.：03-损失：1.2965-acc：0.477419/91［= == = = >........................]-埃塔：2：59-损失：1.2761-acc：0.490120./91［= == = = >........................]-埃塔：2：55-损失：1.2566-acc：0.496921/91［= == = = >........................]-埃塔：2：51-损失：1.2477-acc：0.500022/91［= == = = = >.......................]-埃塔：2：48-损失：1.2270-acc：0.507123/91［= == = = = >.......................]-埃塔：2：46-损失：1.2074-acc：0.514924/91［= == = = = >.......................]-埃塔：2：45-损失：1.1892-acc：0.523425/91［= == = = = = >......................]-埃塔：2：42-损失：1.1740-acc：0.530026/91［= == = = = = >......................]-埃塔：2：40-损失：1.1698-acc：0.528827/91［= == = = = = >......................]-埃塔：2：38-损失：1.1517-acc：0.537028/91［= == = = = = = >.....................]-埃塔：2：36-损失：1.1376-acc：0.543529/91［= == = = = = = >.....................]-埃塔：2：33-损失：1.1258-acc：0.550630./91［= == = = = = = >.....................]-埃塔：2：31-损失：1.1093-acc：0.560431/91［= == = = = = = = >....................]-埃塔：2：28-损失：1.0957-acc：0.565532/91［= == = = = = = = >....................]-埃塔：2：25-损失：1.0895-acc：0.570333/91［= == = = = = = = >....................]-埃塔：2：22-损失：1.0769-acc：0.575834/91［= == = = = = = = = >...................]-埃塔：2：20.-损失：1.0666-acc：0.580935/91［= == = = = = = = = >...................]-埃塔：2：17-损失：1.0581-acc：0.584836/91［= == = = = = = = = >...................]-埃塔：2：14-损失：1.0487-acc：0.588537/91［= ==========>..................]-埃塔：2：14-损失：1.0448-acc：0.591238/91［= ==========>..................]-埃塔：2：11-损失：1.0406-acc：0.590439/91［= ==========>..................]-埃塔：2：08-损失：1.0314-acc：0.594540/91［= ===========>.................]-埃塔：2：05-损失：1.0197-acc：0.599241/91［= ===========>.................]-埃塔：2：02-损失：1.0089-acc：0.603742/91［= ===========>.................]-埃塔：2：00-损失：0.9983-acc：0.610243/91［= ============>................]-埃塔：1：57-损失：0.9919-acc：0.614244/91［= ============>................]-埃塔：1：54-损失：0.9812-acc：0.618745/91［= ============>................]-埃塔：1：52-损失：0.9686-acc：0.626546/91［= =============>...............]-埃塔：1：50-损失：0.9608-acc：0.629947/91［= =============>...............]-埃塔：1：47-损失：0.9559-acc：0.632448/91［= =============>...............]-埃塔：1：44-损失：0.9480-acc：0.634949/91［= ==============>..............]-埃塔：1：41-损失：0.9416-acc：0.637950/91［= ==============>..............]-埃塔：1：39-损失：0.9355-acc：0.641451/91［= ==============>..............]-埃塔：1：36-损失：0.9256-acc：0.646052/91［= ===============>.............]-埃塔：1：33-损失：0.9165-acc：0.649853/91［= ===============>.............]-埃塔：1：31-损失：0.9116-acc：0.651754/91［= ===============>.............]-埃塔：1：28-损失：0.9029-acc：0.654755/91［= ================>............]-埃塔：1：26-损失：0.8985-acc：0.656456/91［= ================>............]-埃塔：1：23-损失：0.8906-acc：0.660357/91［= ================>............]-埃塔：1：21-损失：0.8815-acc：0.664758/91［= =================>...........]-埃塔：1：18-损失：0.8734-acc：0.669459/91［= =================>...........]-埃塔：1：16-损失：0.8679-acc：0.671860/91［= =================>...........]-埃塔：1：14-损失：0.8637-acc：0.673661/91［= ==================>..........]-埃塔：1：11-损失：0.8552-acc：0.678062/91［= ==================>..........]-埃塔：1：09-损失：0.8562-acc：0.676663/91［= ==================>..........]-埃塔：1：06-损失：0.8476-acc：0.680364/91［= ===================>.........]-埃塔：1：04-损失：0.8447-acc：0.681465/91［= ===================>.........]-埃塔：1：02-损失：0.8403-acc：0.682466/91［= ===================>.........]-埃塔：59岁的年代-损失：0.8321-acc：0.685867/91［= ====================>……)-埃塔：57 s-损失：0.8249-acc：0.689168/91［= ====================>……)-埃塔：55岁的年代-损失：0.8221-acc：0.690969/91［= ====================>……)-埃塔：53个年代-损失：0.8202-acc：0.691370/91［= =====================>……)-埃塔：50年代-损失：0.8141-acc：0.694471/91［= =====================>……)-埃塔：48个年代-损失：0.8113-acc：0.695272/91［= =====================>……)-埃塔：46个年代-损失：0.8052-acc：0.698173/91［= ======================>……)-埃塔：44岁的年代-损失：0.8003-acc：0.700674/91［= ======================>……)-埃塔：41岁的年代-损失：0.7977-acc：0.702575/91［= ======================>……)-埃塔：39年代-损失：0.7908-acc：0.705276/91［= =======================>…]-埃塔：37个年代-损失：0.7844-acc：0.708777/91［= =======================>…]-埃塔：34岁的年代-损失：0.7796-acc：0.710978/91［= =======================>…]-埃塔：32岁的年代-损失：0.7757-acc：0.712279/91［= ========================>…]-埃塔：29岁的年代-损失：0.7704-acc：0.714280/91［= ========================>…]-埃塔：27岁的年代-损失：0.7683-acc：0.714381/91［= ========================>…]-埃塔：25岁的年代-损失：0.7649-acc：0.715182/91［= =========================>…]-埃塔：22个年代-损失：0.7597-acc：0.717183/91［= =========================>…]-埃塔：20年代-损失：0.7551-acc：0.719484/91［= =========================>…]-埃塔：17世纪-损失：0.7523-acc：0.720185/91［= ==========================>. .)-埃塔：15秒-损失：0.7490-acc：0.721586/91［= ==========================>. .)-埃塔：12个年代-损失：0.7444-acc：0.723387/91［= ==========================>. .)-埃塔：9世纪-损失：0.7397-acc：0.725888/91［= ===========================>)-埃塔：7 s-损失：0.7385-acc：0.726489/91［= ===========================>)-埃塔：4 s-损失：0.7350-acc：0.727890/91［= ===========================>)-埃塔：2 s-损失：0.7313-acc：0.729091/91［= =＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝］-239年代3 s/一步-损失：0.7272-acc：0.7303-val_loss：0.4682-val_acc：0.8372然后您可以使用以下命令导出您的模型:
save_model_tf(模型中,“模型”）还可以重新加载model_from_saved_model函数。注意，您需要通过custom_object因为它不是默认的Keras层。
reloaded_model < -load_model_tf（“模型”）我们可以验证训练后的模型和加载后的模型的预测结果是相等的:
步骤< -as.integer(validation_data＄n/validation_data＄batch_size)all.equal（predict_generator(模型、validation_data步骤=步骤),predict_generator(validation_data reloaded_model步骤=步骤),）# > [1]