Keras加载预训练模型

Keras库提供了一种方便的方式来加载预训练模型。预训练模型通常是在大型数据集上训练的，如ImageNet，这些模型已经学习到了大量的特征和模式。通过加载预训练模型，我们可以利用这些学到的知识来加速我们的模型训练过程，或者直接使用这些模型来进行预测。

常用的预训练模型

• VGG16：VGG16是一个用于图像分类的卷积神经网络模型，由牛津大学的Visual Geometry Group开发。它使用连续的小滤波器来模拟人类视觉系统中的神经元。该模型在ImageNet数据集上进行了预训练，可以用于图像分类、目标检测和语义分割等任务。
• VGG19：VGG19是VGG16的扩展，添加了更多的层和滤波器。与VGG16类似，VGG19也可以在ImageNet数据集上用于图像分类、目标检测和语义分割等任务。
• ResNet50：ResNet50是一个深度残差网络模型，由微软开发。该模型通过引入残差块来改善了深度神经网络的训练问题。ResNet50在ImageNet数据集上进行了预训练，可以用于图像分类、目标检测和关键点检测等任务。
• InceptionV3：InceptionV3是一个基于GoogleNet的卷积神经网络模型，由Google开发。该模型使用了一种名为“Inception模块”的结构，可以在单一神经网络中实现多种尺度的特征提取。InceptionV3在ImageNet数据集上进行了预训练，可以用于图像分类、目标检测和关键点检测等任务。
• Xception：Xception是一个深度卷积神经网络模型，由纽卡斯尔大学开发。该模型使用了一种名为“分离卷积”的结构，可以提高模型的深度和宽度。Xception在ImageNet数据集上进行了预训练，可以用于图像分类、目标检测和语义分割等任务。

示例1

from keras.applications import VGG16

# 加载预训练的VGG16模型
model = VGG16(weights='imagenet')

# 打印模型的结构
model.summary()

 在这个例子中，首先从keras.applications模块导入了VGG16模型。然后，我们使用weights参数指定了我们要加载的预训练模型。

示例2

from keras.applications import VGG16
from keras import models
from keras import layers

#加载预训练的VGG16模型
#定义基础模型，使用预训练的VGG16模型，输入图像尺寸为150x150，有3个颜色通道
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3))

#创建一个Sequential模型容器
model = models.Sequential()

#将基础模型添加到顺序模型中
model.add(base_model)

#在基础模型输出后接入一个Flatten层，将多维输入一维化，常用在从卷积层到全连接层的过渡
model.add(layers.Flatten())

#在Flatten层后添加一个全连接层，神经元数量为256，激活函数为ReLU
model.add(layers.Dense(256, activation='relu'))

#在全连接层后添加一个输出层，神经元数量为1，激活函数为Sigmoid，用于二分类问题
model.add(layers.Dense(1, activation='sigmoid'))

#冻结预训练模型的所有层，以便在训练过程中不更新它们的权重
for layer in base_model.layers:
    layer.trainable = False  # 将基础模型的每一层设置为不可训练，即冻结这些层

#编译模型
#定义模型的损失函数、优化器和评估指标
model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])