迁移学习之ResNet50和ResNet101（图像识别）

文章目录

1.实现的效果：
2.主文件TransorResNet.py:

1.实现的效果：

实际的图片：

（1）可以看到ResNet50预测的前三个结果中第一个结果为：whippet（小灵狗）
（2）ResNet50预测的前三个结果中第一个结果为：Walker_hound（步行猎犬）
（3）从结果上来看，比之前的VGG16和VGG19预测的效果都要好（这里虽然不知道图片中的够具体是什么狗，但是结果都预测成了“狗”的类别）

关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于VGG16和VGG19：
https://mydreamambitious.blog.csdn.net/article/details/123906643
关于MobileNet（88层）和MobileNetV2（88层）：
https://mydreamambitious.blog.csdn.net/article/details/123907955
关于DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)：
https://mydreamambitious.blog.csdn.net/article/details/123908742
EfficientNetBX
https://mydreamambitious.blog.csdn.net/article/details/123929264

2.主文件TransorResNet.py:

import os
import keras
import numpy as np
from PIL import Image
from keras.preprocessing import image
from keras.preprocessing.image import img_to_array
from keras.applications.resnet import preprocess_input,decode_predictionsdef load_ResNet50():#加载ResNet50并且保留顶层（也就是全连接层）model_ResNet50=keras.applications.resnet.ResNet50(weights='imagenet')#图形路径curr_path=os.getcwd()img_path=curr_path+'\\images\\train\\dog\\1.jpg'#将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224img=image.load_img(img_path,target_size=(224,224))#首先需要转换为向量的形式img_out=image.img_to_array(img)#扩充维度img_out=np.expand_dims(img_out,axis=0)#对输入的图像进行处理img_out=preprocess_input(img_out)# decode the results into a list of tuples (class, description, probability)# (one such list for each sample in the batch)#上面这段话的意思是输出包括（类别，图像描述，输出概率）preds=model_ResNet50.predict(img_out)#输出前三个结果的可能性print('Predicted: ',decode_predictions(preds,top=3)[0])print('Predicted: ',decode_predictions(preds,top=3))def load_ResNet101():# 加载ResNet50并且保留顶层（也就是全连接层）model_ResNet50 = keras.applications.resnet.ResNet101(weights='imagenet')# 图形路径img_path = 'images/train/dog/1.jpg'# 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224img = image.load_img(img_path, target_size=(224, 224))# 首先需要转换为向量的形式img_out = image.img_to_array(img)# 扩充维度img_out = np.expand_dims(img_out, axis=0)# 对输入的图像进行处理img_out = preprocess_input(img_out)# decode the results into a list of tuples (class, description, probability)# (one such list for each sample in the batch)# 上面这段话的意思是输出包括（类别，图像描述，输出概率）preds = model_ResNet50.predict(img_out)# 输出前三个结果的可能性print('Predicted: ', decode_predictions(preds, top=3)[0])print('Predicted: ', decode_predictions(preds, top=3))if __name__ == '__main__':print('Pycharm')print('load_ResNet50:\n')load_ResNet50()print('load_ResNet101:\n')load_ResNet101()