python|Keras实现——预训练卷积神经网络（VGG16）人工智能|神经网络|深度学习

一、预训练网络是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。通过预训练网络学到的特征在不同问题之间的可移植性，在深度学习对小数据问题非常有效。使用预训练网络有两种方法：特征提取（feature extraction）和微调模型（fine-tuning）。
二、特征提取在图像分类的卷积神经网络包含两部分：首先是一系列池化层和卷积层，最后是一个密集连接分类器。第一部分叫做模型的卷积基。对于卷积神经网络而言，特征提取就是取出之前训练好的网络的卷积基，在上面运行新的数据，然后在输出上面训练一个新的分类器。
三、VGG16架构 1.将VGG16卷积基实例化

#将VGG16卷积基实例化 from keras.applications import VGG16 conv_base=VGG16(weights='imagenet',include_top=False,input_shape=(64,64,3))

这里向架构中传入了三个参数
1.weights:模型初始化的权重检查点。
2.include——top：是指定模型最后是否包含密集连接分类器。
3.input——shape：输入网络中图像的形状。
2.VGG16卷积基的详细架构

conv_base.summary()

结果如图所示：

文章图片

最后输出的特征图形状为（2，2，512）。
接下来有两种方法：
1.在数据集上运行卷积基将输出保存成硬盘中的Numpy数组，然后利用这个数据做为输入，输入到独立的密集连接分类器中这种方法速度快，计算代价低，由于这个原因这种方法不允许用数据增强。 2.这种方法的代码过程如下：
1.构造卷积基特征提取

#构造卷积基特征提取 import os import numpy as np from keras.preprocessing.image import ImageDataGenerator def extract_features(directory,sample_count): features=np.zeros(shape=(sample_count,2,2,512)) labels=np.zeros(shape=(sample_count)) generator=datagen.flow_from_directory( directory, target_size=(64,64), batch_size=batch_size, class_mode='binary') i=0 for inputs_batch,labels_batch in generator: features_batch=conv_base.predict(inputs_batch) features[i*batch_size:(i+1)*batch_size]=features_batch labels[i*batch_size:(i+1)*batch_size]=labels_batch i+=1 if i*batch_size>=sample_count: break return features,labels

【python|Keras实现——预训练卷积神经网络（VGG16）】2.定义并训练密集连接器

from keras import models from keras import layers from keras import optimizers model=models.Sequential() model.add(layers.Dense(128,activation='relu',input_dim=2*2*512)) model.add(layers.Dropout(0.5)) model.add(layers.Dense(1,activation='sigmoid')) model.compile(optimizer=optimizers.RMSprop(lr=2e-5),loss='binary_crossentropy',metrics=['acc']) history=model.fit(train_features,train_labels,epochs=100,batch_size=100,validation_data=https://www.it610.com/article/(validation_features,validation_labels))

2.在顶部添加Dense层来扩展已有模型（即conv_base),并输入数据运行整个模型。这样我们还可以用数据增强。
1.在卷积基上添加一个密集链接分类器

from keras import models from keras import layers model=models.Sequential() model.add(conv_base) model.add(layers.Flatten()) model.add(layers.Dense(256,activation='relu')) model.add(layers.Dense(1,activation='sigmoid'))

2.模型架构如下所示：

文章图片

VGG16的卷积基有14714688个参数，非常多。在编译和训练模型前，一定要‘冻结’卷积基。冻结
（freeze）一个或多个层是指在训练过程中保持其权重不变。如果不这样做，那么卷积基之前学到的表示将会发生改变。我们需要这样去冻结，代码如下：

#冻结 conv_base.trainable=False

3.利用冻结的卷积基端到端地训练模型增加了数据增强，代码如下：

from keras.preprocessing.image import ImageDataGenerator from keras import optimizers train_datagen=ImageDataGenerator( rescale=1./255, rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest' ) test_datagen=ImageDataGenerator(rescale=1./225) train_generator=train_datagen.flow_from_directory( train_dir, target_size=(64,64), batch_size=80, class_mode='binary') validation_generator=test_datagen.flow_from_directory( validation_dir, target_size=(64,64), batch_size=50, class_mode='binary')

剩下模型编译和训练代码就不赘述了。