tensorflow实现Inception_v3目标识别

        Inception_v3是GoogLeNet的第3个版本，于2016年发布，对于其中的Inception模块的n*n卷积进行了1*n和n*1的替换，本文使用tensorflow当中Keras自带的Function API实现一个简单的目标识别任务。

        Keras Applications提供了多种网络模型的高级API，可以通过API来快速搭建网络架构，它提供了已训练好的网络权重供加载使用。

        首先准备一张图片，可自行取名，如下图所示：本例中图片名为14.jpg

1.导入必要套件：

        其中preprocess_input是对网络架构的图像进行预处理，而decode_predictions是网络架构的输出解码，即输出预测类别与属于该类别的概率。

import tensorflow as tf
import numpy as np
from tensorflow.keras.applications.inception_v3 import preprocess_input
from tensorflow.keras.applications.inception_v3 import decode_predictions

2.建立Inception_v3网络架构

model = tf.keras.applications.InceptionV3(include_top=True, weights='imagenet')

 3.建立读取图像函数

        其中resize=(299,299)为Inception_v3网络默认图像大小，该函数也是将非标准大小图像进行转换的工作。

def read_img(img_path, resize=(299,299)):
    img_string = tf.io.read_file(img_path)
    img_decode = tf.image.decode_image(img_string)
    img_decode = tf.image.resize(img_decode, resize)
    img_decode = tf.expand_dims(img_decode, axis=0)
    return img_decode

4.读取图像进行预测

        img_path为图像存储路径，本例中创建了image的文件夹，上述图像14.jpg存储在image文件夹内。

img_path = 'image/14.jpg'
img = read_img(img_path)

img = preprocess_input(img)
preds = model.predict(img)
print("Predicted:", decode_predictions(preds, top=3)[0])

5.预测结果

        表示上述图像有0.4977222的概率为tiger_cat，有0.2851467的概率为Egyptian_cat，有0.10232914的概率为tabby。