超级会员免费看
本文介绍了如何利用Keras和迁移学习技术，特别是VGG16模型，来解决猫狗分类问题。通过预处理图像数据，使用ImageDataGenerator进行增强，然后提取VGG16的卷积特征，构建并在有限数据上训练一个小型全连接层，最终实现约90%的分类准确率。进一步，通过微调VGG16的最后几个卷积层，提升模型性能至94%以上。
迁移学习（Transfer Learning）是机器学习中的一个重要研究话题，也是在实践中具有重要价值的一类技术。Transfer learning focuses on storing knowledge gained while solving one problem and applying it to a different but related problem. 举例来说，在之前的文章中，我们曾经介绍过VGG16，它是由来自牛津大学的研究团队训练的一个针对ImageNet进行图像识别与分类的深度CNN网络。在ImageNet中，图像的中物体的类别多达1000种。当面对另外一个image dataset时，我们能否最大程度地利用已经训练好的VGG16来完成我们的任务，或者说是将VGG16中已经学到的经验“迁移”到新到问题中呢？本文就来带你一探究竟。
一、问题介绍
首先来看一下我们要解决的问题。这个问题源自于Kaggle网站曾经举行过的一项竞赛，如下图所示，竞赛的主题是设计能够分辨图像中的动物是猫还是狗的方法，你可以从【3】中获得我们实验所需的数据集。
原始数据集中包含12,500张猫的图片和12,500张狗的图片，我们仅从中各取前1000张
订阅专栏 解锁全文
扫一扫
7379
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
