图片训练集下载地址
图片资源不大，学习使用。
可以先看这篇文章图片训练。https://blog.csdn.net/java_leaf/article/details/136758861
VGG（Visual Geometry Group）是一种深度卷积神经网络模型
看下面的训练，少量图片在第10轮基本上准确率达到 100%，ho dear! 太惊人了。
查看VGG网络参数
vgg = VGG16(weights='imagenet',
include_top=False, input_shape=(200, 200, 3))
vgg.summary();Model: "vgg16"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) [(None, 200, 200, 3)] 0
block1_conv1 (Conv2D) (None, 200, 200, 64) 1792
block1_conv2 (Conv2D) (None, 200, 200, 64) 36928
block1_pool (MaxPooling2D) (None, 100, 100, 64) 0
block2_conv1 (Conv2D) (None, 100, 100, 128) 73856
block2_conv2 (Conv2D) (None, 100, 100, 128) 147584
block2_pool (MaxPooling2D) (None, 50, 50, 128) 0
block3_conv1 (Conv2D) (None, 50, 50, 256) 295168
block3_conv2 (Conv2D) (None, 50, 50, 256) 590080
block3_conv3 (Conv2D) (None, 50, 50, 256) 590080
block3_pool (MaxPooling2D) (None, 25, 25, 256) 0
block4_conv1 (Conv2D) (None, 25, 25, 512) 1180160
block4_conv2 (Conv2D) (None, 25, 25, 512) 2359808
block4_conv3 (Conv2D) (None, 25, 25, 512) 2359808
block4_pool (MaxPooling2D) (None, 12, 12, 512) 0
block5_conv1 (Conv2D) (None, 12, 12, 512) 2359808
block5_conv2 (Conv2D) (None, 12, 12, 512) 2359808
block5_conv3 (Conv2D) (None, 12, 12, 512) 2359808
block5_pool (MaxPooling2D) (None, 6, 6, 512) 0
=================================================================
Total params: 14,714,688
Trainable params: 14,714,688
Non-trainable params: 0
_________________________________________________________________vgg帮你定义好了网络模型。
这里还是重提一下：
VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。
该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。
可能大家会想，这样一个这么强的模型肯定很复杂吧？
其实一点也不复杂，它的结构如下图所示：
这是一个VGG被用到烂的图，但确实很好的反应了VGG的结构：
1、一张原始图片被resize到(224,224,3)。
2、conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为(112,112,64)。
3、conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出net为(56,56,128)。
4、conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net为(28,28,256)。
5、conv4三次[3,3]卷积网络，输出的特征层为512，输出net为(28,28,512)，再2X2最大池化，输出net为(14,14,512)。
6、conv5三次[3,3]卷积网络，输出的特征层为512，输出net为(14,14,512)，再2X2最大池化，输出net为(7,7,512)。
7、利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,4096)。共进行两次。
8、利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,1000)。
最后输出的就是每个类的预测。
————————————————
编码实现demo
# -*- coding: utf-8 -*-
# file: VGG16_ch01.py
# author: laich
"""
VGG 迁移学习：特殊的训练模型，针对小数据集
RMSprop 优化器 解决了 RProp 无法处理小批量的问题。
"""
import os
import pathlib
import keras
import numpy as np
from keras.applications import VGG16
import tensorflow as tf
from keras.preprocessing.image import ImageDataGenerator
base_dir = 'E:/usr/';
train_dir = os.path.join(base_dir, 'train')
train_dir_path = pathlib.Path(train_dir)
test_dir = os.path.join(base_dir, 'validation')
class_names = np.array([item.name for item in train_dir_path.glob('*') if item.is_dir()])
print(class_names)
# 标准化到[0,1]
train_data_gen = ImageDataGenerator(rescale=1. / 255)
test_data_gen = ImageDataGenerator(rescale=1. / 255)
# flow_from_directory 以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据
train_data = train_data_gen.flow_from_directory(train_dir, batch_size=15,
shuffle=True,
# classes=list(class_names),
# class_mode='binary',
target_size=(200, 200))
test_data = test_data_gen.flow_from_directory(test_dir, batch_size=10,
shuffle=True,
# class_mode='binary',
target_size=(200, 200))
# print(train_data.classes)
vgg = VGG16(weights='imagenet',
include_top=False, input_shape=(200, 200, 3))
vgg.summary();
# 冻结卷积最后4层
for layer in vgg.layers[:-4]:
layer.trainable = False
# 创建模型
vgg_model = keras.Sequential([
vgg,
])
vgg_model.add(tf.keras.layers.Flatten())
vgg_model.add(tf.keras.layers.Dense(128, activation='relu'))
vgg_model.add(tf.keras.layers.Dense(64, activation='relu'))
# 输出层
vgg_model.add(tf.keras.layers.Dense(4, activation='softmax'))
# 要用很小的学习率，过大会破坏最后一层的权重，达不到效果
# RMSProp 代表均方根传播，采用梯度下降算法进行优化。它属于自适应优化算法的范畴。这些自适应优化器带来了更快、更高效的学习时间。
# https://mazhonggang.blog.csdn.net/article/details/135141033
vgg_model.compile(optimizer=tf.optimizers.RMSprop(learning_rate=0.0001),
loss=tf.losses.CategoricalCrossentropy(),
metrics=['accuracy']
)
history = vgg_model.fit(train_data, steps_per_epoch=10,
epochs=15, # 训练15轮
batch_size=10,
verbose=2,
validation_steps=8 # 验证批次
)
'''绘图查看训练结果'''
vgg_model.save('./h5/my_model_VGG.h5')
验证数据
class_names = ['cat', 'daisy', 'roses', 'woman']
# 读取并调用模型
pre_model = tf.keras.models.load_model("./h5/my_model_VGG.h5")
# print(pre_model)
cat_url = "http://c-ssl.duitang.com/uploads/item/202006/28/20200628000044_bltmw.jpg"
玫瑰 = "https://pics0.baidu.com/feed/d000baa1cd11728bba9bc66464ad5dc3c2fd2ca5.jpeg"
fl01 = "https://ss2.meipian.me/users/9465404/35e29dac75f7bac444fcce3d8af81123.jpg"
mm = "http://pic.imeitou.com/uploads/allimg/2019052008/3de1q2uscco.jpg";
mm2 = "http://img.520touxiang.com/uploads/allimg/160910/3-160910120J5-50.jpg"
cat_1 = "https://img-qn.51miz.com/preview/photo/00/01/58/88/P-1588885-0DA71C19.jpg"
flower_1 = "https://img.lrgarden.cn/feed_pic/167/20/1000271015_1000013406_1498890132.jpg"
# img0 = PIL.Image.open(str(cat_url)) # 打开一张玫瑰花图片查看
# plt.imshow(img0)
# plt.show()
女人 = "https://img11.360buyimg.com/n1/jfs/t1/14078/14/23682/60708/623db2dcE2d21a0b5/cae014f9cfb7047b.jpg"
sunflower_path = tf.keras.utils.get_file('file_' + str(random.randint(1, 1000)), origin=flower_1)
img = tf.keras.preprocessing.image.load_img(
sunflower_path, target_size=(200, 200)
)
plt.imshow(img)
plt.show()
img_array = tf.keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # Create a batch
##将预测结果转化为概率值
result = pre_model.predict(img_array)
# 将预测结果转化为概率值
result2 = np.squeeze(pre_model.predict(img_array))
predict_class = np.argmax(result, axis=1)
扫一扫
4731
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
