迁移学习与计算机视觉实践

前情提要

前五期我们提到了

迁移学习与计算机视觉

迁移学习与图像分类

迁移学习与目标检测（faster RCNN）

迁移学习与语义分割（Seg Net）

迁移学习与实例分割（ResNeXt）

接下来为大家讲解

迁移学习与计算机视觉实践

本节开始，我们将使用VGG16模型做一些小实验，进而巩固我们对迁移学习与计算机视觉理论知识的理解。与第四章一样，我们同样是基于fashion MNIST数据的图像分类去做实验。

在2017年8月份，德国研究机构Zalando Research在GitHub上推出了一个全新的数据集，其中训练集包含60000个样例，测试集包含10000个样例，分为10类，每一类的样本训练样本数量和测试样本数量相同。样本都来自日常穿着的衣裤鞋包，每个都是28×28的灰度图像，其中总共有10类标签，每张图像都有各自的标签。

值得注意的是，因为VGG16只能识别尺寸大于48×48的彩色图片，而我们的数据集是28×28的灰色图片，因此我们在将数据集灌入迁移学习模型前，要对图片数据集进行适当地转换，也就是比第四章中传统CNN神经网络的图像预处理多了一步：将图片转换成48×48大小的彩色图片。

 7.3.1 实验环境

(1) Anaconda Python 3.7与Jupyter Notebook

(2) Keras

(3) fashion MNIST数据数据集

7.3.2 实验流程

(1) 加载图像数据

(2) 图像数据预处理  

(3) 训练模型

(4) 保存模型与模型可视化

(5) 训练过程可视化

7.3.3 代码

1.  # chapter7/7_3_Transfer_learning_cnn_image.ipynb

2.  from tensorflow.python.keras.utils import get_file  

3.  import gzip  

4.  import numpy as np  

5.  import keras  

6.  from keras.datasets import cifar10  

7.  from keras.preprocessing.image import ImageDataGenerator  

8.  from keras