学习目标：

掌握使用预训练好的ResNet对自己的数据再次进行训练的方法。
掌握函数式建立Keras模型的方法。

学习内容：

利用ImageDataGenerator类直接从硬盘中读取猫和狗（cat-and-dog）数据，自定义合适的卷积神经网络进行分类。
对猫和狗（cat-and-dog）数据，在预训练好的ResNet上添加合适的网络层，构造网络进行训练。并调整网络参数，对比分析相应的结果。

学习过程：

1.用Adam优化器，学习率为0.0001，batch_size为16，统一resize图片的大小为128*128，进行10次迭代的结果如下：

用Adam优化器，学习率为0.0001，batch_size为16，统一resize图片的大小为256*256，进行15次迭代的结果如下：

最后测试集的识别率为0.7420。

优化器	学习率	批量大小	图片大小	迭代次数	识别率
Adam	0.0001	16	128*128	10	0.7830
Adam	0.0001	16	256*256	15	0.7420

图像放大后进行测试的效果反而没有没放大之前的好。

模型各层的输出大小：

预训练好的ResNet上调整优化器为Adam，学习率为0.0001，batch_size为16，统一resize图片的大小为128*128，进行10次迭代的结果如下:

调整优化器为Adam，学习率为0.0001，batch_size为16，统一resize图片的大小为64*64，进行20次迭代的结果如下:

训练结果如下表：

优化器	学习率	批量大小	图片大小	迭代次数	识别率
Adam	0.0001	16	128*128	10	0.7123
Adam	0.0001	16	64*64	20	0.6653

图像缩小后进行测试的效果也没有图片像素为128*128的好。

源码：

第一问：

# In[0]:构造网络
from tensorflow.keras import Sequential,Input,layers,optimizers
model = Sequential( [Input(shape=(256,256,3)),  # 二维卷积操作的输入数据要求：[样本数,宽度,高度,通道数]layers.Conv2D(32, kernel_size=(3, 3), activation="relu"), # 3x3的卷积核，输出32个通道layers.MaxPooling2D(pool_size=(2, 2)),                    # 取2x2网格的最大值进行下采样layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),  layers.MaxPooling2D(pool_size=(2, 2)),layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),layers.Flatten(),      # 把上一层得到的结果展平成一维向量(3*3*64=576)layers.Dropout(0.5),   # 训练时，每个batch随机选50%的权重固定不更新layers.Dense(64, activation="relu"),   layers.Dense(2, activation="softmax"),
])model.summary()# 自定义优化器
optimizer = optimizers.Adam(lr=0.0001)model.compile(optimizer,loss='categorical_crossentropy', metrics=['accuracy'])# In[1]: 加载数据
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen_train = ImageDataGenerator(rescale = 1. / 255 ,#rotation_range = 20, # width_shift_range = 0.2,#height_shift_range = 0.2 #shear_range = 0.2, #zoom_range = 0.2,#horizontal_flip = True,)# In[2]:从硬盘分批读取数据并测试
generator_train = datagen_train.flow_from_directory(r'D:\Cadabra_tools002\course_data\cat-and-dog\training_set',  # 训练集所在路径，子目录为类别target_size=(256, 256),           # 统一resize所有图片的大小为 (28,28)batch_size=16,                 # 输入到fit函数中的批的大小
)model.fit(generator_train,epochs=15)# In[3]:从硬盘分批读取数据并测试
datagen_validation = ImageDataGenerator(rescale = 1. / 255)
generator_validation = datagen_validation.flow_from_directory(r'D:\Cadabra_tools002\course_data\cat-and-dog\test_set',  target_size=(256, 256), #依次换成128*128和256*256                batch_size=16,
)# In[4]:测试
loss, accuracy = model.evaluate(generator_validation)

第二问：

#-------------------------------------------
# 用预训练好的ResNet50网络进行图像分类，并根据自己的数据微调网络权重
#-------------------------------------------
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.regularizers import l2
from tensorflow.keras import Sequential,optimizers
import numpy as np
#import cv2# In[1]: 加载数据
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen_train = ImageDataGenerator(rescale = 1. / 255 ,)# In[2]:从硬盘分批读取数据并测试
generator_train = datagen_train.flow_from_directory(r'D:\Cadabra_tools002\course_data\cat-and-dog\training_set',  # 训练集所在路径，子目录为类别target_size=(64, 64),           # 统一resize所有图片的大小为 (28,28)batch_size=16,                 # 输入到fit函数中的批的大小
)# In[2]: ResNet50模型，加载预训练权重
# 若没有模型文件，则自动下载（由于下载速度很慢，所以建议先把文件放进相应的目录）
# C:\Users\Administrator\.keras\models\resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
base_model = ResNet50(input_shape=(64, 64, 3), include_top=False, weights='imagenet')
base_model.trainable=False
x = base_model.output
x = Flatten()(x)
x = Dense(512,activation='relu',kernel_regularizer=l2(0.0003))(x)
predictions = Dense(2, activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=predictions)#自定义优化器
optimizer = optimizers.Adam(lr=0.0001)model.compile(optimizer, loss='categorical_crossentropy',metrics=['accuracy'])
model.summary() # 打印模型各层的输出大小# In[3]: 训练
# 更改迭代此处 epochs=50，才能获得比较高的识别率
model.fit(generator_train,epochs=20, batch_size=16,)
#model.save_weights('resnet_turn_cifar10.h5') # In[4]:测试
datagen_validation = ImageDataGenerator(rescale = 1. / 255)
generator_validation = datagen_validation.flow_from_directory(r'D:\Cadabra_tools002\course_data\cat-and-dog\test_set',  target_size=(64, 64), #依次换成128*128和64*64         batch_size=16,
)# In[5]:测试识别率
loss, accuracy = model.evaluate(generator_validation)
print('测试识别率为：', np.round(accuracy,4))

源码下载

学习产出：

1.跑起来有点费时，通过调整图像的大小，图像越大费时越多，最后只能往小了调整，但图片的像素小，最后测试的识别率不高。

人工智能--预训练的卷积神经网络相关推荐

Python深度学习（使用预训练的卷积神经网络）--学习笔记（十一）
5.3 使用预训练的卷积神经网络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练网络.预训练网络(pretrained network)是一个保存好的网络,之前已经在大型数据 ...
从零开始学keras之使用预训练的卷积神经网络
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练网络. 预训练网络(pretrained network)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 ...
使用预训练的卷积神经网络
想要将深度学习应用于小型图像数据集,使用预训练网络就是一种常用且高效的方法. 预训练网络就是一个保存好的网络,之前已在大型数据集上训练(通常是大规模图像分类任务). 如果训练的原始数据集足够大且足够通 ...
深度学习--使用预训练的卷积神经网络
文章目录前言一.使用预训练网络二.将VGG16卷积基实例化三.使用卷积基进行特征提取 1.不使用数据增强的快速特征提取 2.使用数据增强的特征提取四.微调模型前言想要将深度学习应用于小型 ...
使用预训练的卷积神经网络（猫狗图片分类）
本次所用数据来自ImageNet,使用预训练好的数据来预测一个新的数据集:猫狗图片分类.这里,使用VGG模型,这个模型内置在Keras中,直接导入就可以了. from keras.applicatio ...
【深度学习】预训练的卷积模型比Transformer更好？
引言这篇文章就是当下很火的用预训练CNN刷爆Transformer的文章,LeCun对这篇文章做出了很有深意的评论:"Hmmm".本文在预训练微调范式下对基于卷积的Seq2Seq ...
卷积神经网络的训练过程,卷积神经网络如何训练
深度神经网络是如何训练的? Coursera的Ng机器学习,UFLDL都看过.没记错的话Ng的机器学习里是直接给出公式了,虽然你可能知道如何求解,但是即使不知道完成作业也不是问题,只要照着公式写就行. ...
TensorFlow2使用预训练的卷积网络(ConvNet)进行迁移学习
本案例使用预训练的模型对猫狗数据集进行分类任务.使用预训练的模型有两种方式: 一是利用特征提取器.利用预训练模型的前几层对新数据进行特征提取,最后加入分类的层即可完成新模型的创建. 二是Fine Tu ...
卷积神经网络的训练算法,卷积神经网络算法实现
卷积神经网络算法是什么? 一维构筑.二维构筑.全卷积构筑. 卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feed ...

人工智能--预训练的卷积神经网络

学习目标：

学习内容：

学习过程：

源码：

学习产出：

人工智能--预训练的卷积神经网络相关推荐

最新文章

热门文章