利用Inception-V3训练的权重微调，实现猫狗分类(基于keras)

利用Inception-V3训练的权重微调实现猫狗的分类，其中权重的下载在我的博客下载资源处，https://download.csdn.net/download/fanzonghao/10566634

第一种权重不改变直接用mixed7层（mixed7呆会把打印结果一放就知道了）进行特征提取，然后在拉平，连上两层神经网络

def define_model():InceptionV3_weight_path='./model_weight/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5'pre_trained_model=InceptionV3(input_shape=(150,150,3),include_top=False,#不包含全连接层weights=None)pre_trained_model.load_weights(InceptionV3_weight_path)#下面两种取其一#仅仅用其做特征提取 不需要更新权值for layer in pre_trained_model.layers:print(layer.name)layer.trainable=False#微调权值# unfreeze=False# for layer in pre_trained_model.layers:#     if unfreeze:#         layer.trainable=True#     if layer.name=='mixed6':#         unfreeze=Truelast_layer=pre_trained_model.get_layer('mixed7')print(last_layer.output_shape)last_output=last_layer.output#以下是在模型的基础上增加的x=layers.Flatten()(last_output)x=layers.Dense(1024,activation='relu')(x)x=layers.Dropout(0.2)(x)x=layers.Dense(1,activation='sigmoid')(x)model=Model(inputs=pre_trained_model.input,outputs=x)return model

第一种完全利用Inception-V3训练的权重代码

import os
import tensorflow as tf
import matplotlib.pyplot as pltfrom keras.applications.inception_v3 import InceptionV3
from keras import  layers
from keras.models import Model
from keras.optimizers import RMSprop
from keras import backend as K
from keras.preprocessing.image import ImageDataGenerator
import data_read
"""
#获得所需求的图片--进行了图像增强
"""
def data_deal_overfit():# 获取数据的路径train_dir, validation_dir, next_cat_pix, next_dog_pix = data_read.read_data()#图像增强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./255)#从文件夹获取所需要求的图片train_generator=train_datagen.flow_from_directory(train_dir,target_size=(150,150),batch_size=20,class_mode='binary')test_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=20,class_mode='binary')return train_generator,test_generator
"""
#定义模型并加入了dropout
"""
def define_model():InceptionV3_weight_path='./model_weight/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5'pre_trained_model=InceptionV3(input_shape=(150,150,3),include_top=False,#不包含全连接层weights=None)pre_trained_model.load_weights(InceptionV3_weight_path)#下面两种取其一#仅仅用其做特征提取 不需要更新权值for layer in pre_trained_model.layers:print(layer.name)layer.trainable=False#微调权值# unfreeze=False# for layer in pre_trained_model.layers:#     if unfreeze:#         layer.trainable=True#     if layer.name=='mixed6':#         unfreeze=Truelast_layer=pre_trained_model.get_layer('mixed7')print(last_layer.output_shape)last_output=last_layer.output#以下实在模型的基础上增加的x=layers.Flatten()(last_output)x=layers.Dense(1024,activation='relu')(x)x=layers.Dropout(0.2)(x)x=layers.Dense(1,activation='sigmoid')(x)model=Model(inputs=pre_trained_model.input,outputs=x)return model"""
训练模型
"""
def train_model():model=define_model()model.compile(optimizer=RMSprop(lr=0.001), loss='binary_crossentropy', metrics=['accuracy'])train_generator, test_generator = data_deal_overfit()# verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录# 训练模型 返回history包含各种精度和损失history = model.fit_generator(train_generator,steps_per_epoch=100,  # 2000 images=batch_szie*stepsepochs=50,validation_data=test_generator,validation_steps=50,  # 1000=20*50verbose=2)#精度acc=history.history['acc']val_acc=history.history['val_acc']#损失loss=history.history['loss']val_loss=history.history['val_loss']#epochs的数量epochs=range(len(acc))plt.plot(epochs,acc)plt.plot(epochs, val_acc)plt.title('training and validation accuracy')plt.figure()plt.plot(epochs, loss)plt.plot(epochs, val_loss)plt.title('training and validation loss')plt.show()if __name__ == '__main__':train_model()
打印结果：其中这些代表每一层的名字，直接利用mixed7的特征，（none,7,7,768）就是该层的shape, 直接拉平，添加两层神经网络进行分类。

打印结果：这是每一层的名字，mixed7层的shape是（None,7,7,768）第一种做法就是直接利用该层及之前层的权重进行训练分类的。

第二种：进行微调要不是需要对整个权重都进行重新赋值，因为前面层数学习到的特征是一些简单的特征,只是随着层数增强才更加具有针对性，故把mixed7层的卷积层权重重新训练，代码：

unfreeze=False
for layer in pre_trained_model.layers:if unfreeze:layer.trainable=Trueif layer.name=='mixed6':unfreeze=True

也就是把我上段完整的代码注释替换一下即可。

利用Inception-V3训练的权重微调，实现猫狗分类(基于keras)相关推荐

图像语义分割python_图像语义分割 —利用Deeplab v3+训练VOC2012数据集
原标题:图像语义分割 -利用Deeplab v3+训练VOC2012数据集前言: 配置:windows10 + Tensorflow1.6.0 + Python3.6.4(笔记本无GPU) 源码: ...
神经网络学习小记录19——微调VGG分类模型训练自己的数据（猫狗数据集）
神经网络学习小记录19--微调VGG分类模型训练自己的数据(猫狗数据集) 注意事项学习前言什么是VGG16模型 VGG模型的复杂程度训练前准备 1.数据集处理 2.创建Keras的VGG模型 3 ...
DL之AlexNet：利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型)
DL之AlexNet:利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) 目录利用卷积神经网络类AlexNet实现猫狗分类识别(图片数据增强→保存h5模型) 设计思路处 ...
python 动物分类_《python深度学习》笔记---5.3-1、猫狗分类（使用预训练网络）
<python深度学习>笔记---5.3-1.猫狗分类(使用预训练网络) 一.总结一句话总结: [小型图像数据集]:想要将深度学习应用于小型图像数据集,一种常用且非常高效的方法是使用预训 ...
神经网络学习小记录17——使用AlexNet分类模型训练自己的数据（猫狗数据集）
神经网络学习小记录17--使用AlexNet分类模型训练自己的数据(猫狗数据集) 学习前言什么是AlexNet模型训练前准备 1.数据集处理 2.创建Keras的AlexNet模型开始训练 1. ...
Keras深度学习使用VGG16预训练神经网络实现猫狗分类
Keras深度学习使用VGG16预训练神经网络实现猫狗分类最近刚刚接触深度学习不久,而Keras呢,是在众多的深度学习框架中,最适合上手的,而猫狗的图像分类呢,也算是计算机视觉中的一个经典案例,下面 ...
深度学习笔记13_猫狗分类案例 - 从头开始训练一个神经网络
在小型数据集上从头开始训练一个卷积神经网络小型数据集的模型构建的策略小型数据集:"很少的"样本可能是几百张图像,也可能是几万张图像. 接下来的示例中,主要用来猫狗分类:4000 ...
tensorflow.js在nodejs训练猫狗分类模型在浏览器上使用
目录本人系统环境注意事项前言数据集准备处理数据集数据集初步处理将每一张图片数据转换成张量数据(tensor) 将图片转换成张量数组的代码和运行效果将图片的标注转换成张量数据(tenso ...
ResNet-50 训练猫狗分类
ResNet-50 训练猫狗分类 1.ResNet网络 2.猫狗数据 3.训练 4.测试这里介绍一下怎么搭建ResNet网络,并说明一下残差网络的结构,并使用ResNet来训练一个二分类问题 1.R ...

利用Inception-V3训练的权重微调，实现猫狗分类(基于keras)

利用Inception-V3训练的权重微调，实现猫狗分类(基于keras)相关推荐

最新文章

热门文章