使用VGG16.npy文件载入权重

VGG16.npy文件的用法

VGG16网络权重直接载入
VGG16.npy加载方式
- 预先把网络结构设置好
- 载入VGG16.npy权重文件
- 了解VGG16.npy内部存储模型权重层的名称
- 按层数逐层给模型权重层载入权重系数
- 存储VGG16模型和权重

VGG权重(npy格式）百度网盘链接: link
提取码:8487

VGG16网络权重直接载入

因为tensorflow包在安装时就已经自带了VGG16、AlexNet、VGG19等模型的权重载入路径，所以通常情况下我们要使用一些预训练的网络时可以直接利用tensorflow下载。

import tensorflow as tf
model=tf.keras.applications.vgg16.VGG16(weights=True,include_top=True) #带全连接层权重

但这种方式基本很难下载，因为要进外网，国内下载速度太慢甚至根本下载不了，即使直接去相应的官网也是一样。

VGG16.npy加载方式

想要连外网下载像VGG这类模型权重也不太容易，VGG16模型权重系数527M，去除顶层（全连接层）权重系数50M左右，所以我推荐的是找一些网盘文件等，这样也比较方便，只是网盘的下载速度可能有点慢，但费点时间总是可以完成的。这里我给出了VGG16模型的权重下载链接，不过是npy文件格式，载入权重过程如下。

预先把网络结构设置好

import tensorflow as tf
import numpy as py
model=tf.keras.applications.vgg16.VGG16(weights=None,include_top=True) #把VGG16网络的结构设置好，此时网络没有权重，类似一个空壳

载入VGG16.npy权重文件

data_dict=np.load('D:/vgg16.npy',encoding='latin1',allow_pickle=True).item()#这是一个储存VGG16权重的字典文件

了解VGG16.npy内部存储模型权重层的名称

for key in data_dict:print (key)

输出结果如下：

conv5_1
fc6
conv5_3
conv5_2
fc8
fc7
conv4_1
conv4_2
conv4_3
conv3_3
conv3_2
conv3_1
conv1_1
conv1_2
conv2_2
conv2_1

这样我们就获得了VGG16.npy内部存储的模型各权重层名称（这里是防止有些模型权重存储时层的名称被修改），然后通过这些名称给对应的模型权重层载入权重系数。

按层数逐层给模型权重层载入权重系数

model.layers[1].set_weights(data_dict['conv1_1'])
model.layers[2].set_weights(data_dict['conv1_2'])
model.layers[4].set_weights(data_dict['conv2_1'])
model.layers[5].set_weights(data_dict['conv2_2'])
model.layers[7].set_weights(data_dict['conv3_1'])
model.layers[8].set_weights(data_dict['conv3_2'])
model.layers[9].set_weights(data_dict['conv3_3'])
model.layers[11].set_weights(data_dict['conv4_1'])
model.layers[12].set_weights(data_dict['conv4_2'])
model.layers[13].set_weights(data_dict['conv4_3'])
model.layers[15].set_weights(data_dict['conv5_1'])
model.layers[16].set_weights(data_dict['conv5_2'])
model.layers[17].set_weights(data_dict['conv5_3'])
model.layers[20].set_weights(data_dict['fc6'])
model.layers[21].set_weights(data_dict['fc7'])
model.layers[22].set_weights(data_dict['fc8'])

这样载入完成后的model就是我们需要的VGG16模型了。

存储VGG16模型和权重

为了方便以后调用VGG16模型，我们可以对其进行存储，存储方式如下。

model.save("VGG16.h5") #这样就把VGG16模型存储在当前路径下了
model.save_weights("VGG16_weights.h5")#把VGG16文件模型权重系数存储在当前路径下，大小约为527M

这样就完成了VGG16.npy文件的载入和重新存储。对于其他模型权重的npy格式文件，载入方式也可以按这个来。因为当前许多经典的卷积神经网络模型直接下载不易，网上能找到的基本也是npy格式的模型权重文件，所以这里给出了一个加载这类npy权重文件的方法，希望能减少大家的弯路。