迁移学习之DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)（图像识别）

1.实现效果：

实际图片：

（1）DenseNet121预测第一个结果为：Sealyham_terrier（㹴犬）——0.21411328
（2）DenseNet169预测的第一个结果为：Sealyham_terrier（㹴犬）——0.43225577
（3）DenseNet201预测第一个结果为：Sealyham_terrier（㹴犬）——0.15977885

2.结果分析：

相比于之前的ResNet50，ResNet101，MobileNet，MobileNetV2，InceptionV3,Xception,Inception_ResNet_V2其中DenseNet169预测结果是最好的，也是正确的，虽然DenseNet121预测准确率不是很高，但是结果是正确的；但是呢！这个DenseNet121,169相比之前的ResNet50要多了很多的层，所以计算量更大，如果是自己也加了数据集进行训练的话，计算量将更大，所以折中的选择是ResNet50.

关于ResNet50和ResNet101：
https://mydreamambitious.blog.csdn.net/article/details/123906833
关于VGG16和VGG19：
https://mydreamambitious.blog.csdn.net/article/details/123906643
关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于MobileNet（88层）和MobileNetV2（88层）：
https://mydreamambitious.blog.csdn.net/article/details/123907955
EfficientNetBX
https://mydreamambitious.blog.csdn.net/article/details/123929264

3.主文件TransorDenseNet.py:

import os
import cv2
import tensorflow
import numpy as np
from PIL import Image
from tensorflow import keras
from tensorflow.keras.preprocessing import image
from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.applications.inception_v3 import preprocess_input,decode_predictions

def load_DenseNet121():
    model_DenseNet=tensorflow.keras.applications.densenet.DenseNet121(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*224
    img=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_DenseNet.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_DenseNet169():
    model_DenseNet169 =tensorflow.keras.applications.densenet.DenseNet169(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*224
    img = 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_DenseNet169.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_DenseNet201():
    model_DenseNet201 =tensorflow.keras.applications.densenet.DenseNet201(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*224
    img = 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_DenseNet201.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('DenseNet121: \\n')
    load_DenseNet121()
    print('DenseNet169: \\n')
    load_DenseNet169()
    print('DenseNet201: \\n')
    load_DenseNet201()