keras调用自己训练的模型，并去掉全连接层

最新推荐文章于 2022-07-20 03:23:47 发布
最新推荐文章于 2022-07-20 03:23:47 发布
阅读量7.1k 收藏 30
点赞数 9
分类专栏： 深度学习框架
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_29462849/article/details/83010854
版权
本文介绍了如何在Keras中调用已经训练好的模型，并详细讲解了如何去除模型的全连接层，展示了一个网络结构变化的过程。
摘要由CSDN通过智能技术生成

其实很简单

from keras.models import load_model

base_model = load_model('model_resenet.h5')#加载指定的模型
print(base_model.summary())#输出网络的结构图

这是我的网络模型的输出，其实就是它的结构图

__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            (None, 227, 227, 1)  0                                            
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 225, 225, 32) 320         input_1[0][0]                    
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 225, 225, 32) 128         conv2d_1[0][0]                   
__________________________________________________________________________________________________
activation_1 (Activation)       (None, 225, 225, 32) 0           batch_normalization_1[0][0]      
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 225, 225, 32) 9248        activation_1[0][0]               
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 225, 225, 32) 128         conv2d_2[0][0]                   
__________________________________________________________________________________________________
activation_2 (Activation)       (None, 225, 225, 32) 0           batch_normalization_2[0][0]      
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 225, 225, 32) 9248        activation_2[0][0]               
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 225, 225, 32) 128         conv2d_3[0][0]                   
__________________________________________________________________________________________________
merge_1 (Merge)                 (None, 225, 225, 32) 0           batch_normalization_3[0][0]      
                                                                 activation_1[0][0]               
__________________________________________________________________________________________________
activation_3 (Activation)       (None, 225, 225, 32) 0           merge_1[0][0]                    
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 225, 225, 32) 9248        activation_3[0][0]               
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 225, 225, 32) 128         conv2d_4[0][0]                   
__________________________________________________________________________________________________
activation_4 (Activation)       (None, 225, 225, 32) 0           batch_normalization_4[0][0]      
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 225, 225, 32) 9248        activation_4[0][0]               
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 225, 225, 32) 128         conv2d_5[0][0]                   
__________________________________________________________________________________________________
merge_2 (Merge)                 (None, 225, 225, 32) 0           batch_normalization_5[0][0]      
                                                                 activation_3[0][0]               
__________________________________________________________________________________________________
activation_5 (Activation)       (None, 225, 225, 32) 0           merge_2[0][0]                    
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 112, 112, 32) 0           activation_5[0][0]               
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 110, 110, 64) 18496       max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
batch_normalization_6 (BatchNor (None, 110, 110, 64) 256         conv2d_6[0][0]                   
__________________________________________________________________________________________________
activation_6 (Activation)       (None, 110, 110, 64) 0           batch_normalization_6[0][0]      
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 110, 110, 64) 36928       activation_6[0][0]               
__________________________________________________________________________________________________
batch_normalization_7 (BatchNor (None, 110, 110, 64) 256         conv2d_7[0][0]                   
__________________________________________________________________________________________________
activation_7 (Activation)       (None, 110, 110, 64) 0           batch_normalization_7[0][0]      
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 110, 110, 64) 36928       activation_7[0][0]               
__________________________________________________________________________________________________
batch_normalization_8 (BatchNor (None, 110, 110, 64) 256         conv2d_8[0][0]                   
__________________________________________________________________________________________________
merge_3 (Merge)                 (None, 110, 110, 64) 0           batch_normalization_8[0][0]      
                                                                 activation_6[0][0]               
__________________________________________________________________________________________________
activation_8 (Activation)       (None, 110, 110, 64) 0           merge_3[0][0]                    
__________________________________________________________________________________________________
conv2d_9 (Conv2D)               (None, 110, 110, 64) 36928       activation_8[0][0]               
__________________________________________________________________________________________________
batch_normalization_9 (BatchNor (None, 110, 110, 64) 256         conv2d_9[0][0]                   
__________________________________________________________________________________________________
activation_9 (Activation)       (None, 110, 110, 64) 0           batch_normalization_9[0][0]      
__________________________________________________________________________________________________
conv2d_10 (Conv2D)              (None, 110, 110, 64) 36928       activation_9[0][0]               
__________________________________________________________________________________________________
batch_normalization_10 (BatchNo (None, 110, 110, 64) 256         conv2d_10[0][0]                  
__________________________________________________________________________________________________
merge_4 (Merge)                 (None, 110, 110, 64) 0           batch_normalization_10[0][0]     
                                                                 activation_8[0][0]               
__________________________________________________________________________________________________
activation_10 (Activation)      (None, 110, 110, 64) 0           merge_4[0][0]                    
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 55, 55, 64)
最低0.47元/天 解锁文章
Tom Hardy
关注
专栏目录
cs230 深度学习 Lecture 2 编程作业： Logistic Regression with a Neural Network mindset
aliceyangxi1987的博客
06-27 2504
本文结构： 将 Logistic 表达为 神经网络 的形式 构建模型 导入包 获得数据 并进行预处理： 格式转换，归一化 整合模型： A. 构建模型 a. 初始化参数：w 和 b 为 0 b. 前向传播：计算当前的损失 c. 反向更新：计算当前的梯度 B. 梯度更新求模型参数 C. 进行预测 绘制学习曲线 1. 将 Logistic 表达为 神经网络 的形式 本文的目的是要...
移除预训练网络的全连接层
LJC的博客
10-29 1280
有时，我们需要利用预训练网络权重提取全连接前的特征。需要将全连接去除掉，然后后面根据自己的任务进行修改。 self.feature_extraction = models.resnet34(pretrained=True) self.feature_extraction.fc = nn.Sequential() # remove fc 或者，在设计网络层面，将对应的fc去除掉，然后按对应键对进行加载即可。 ...
CS230+deeplearning.ai专项课程笔记及作业目录
weixin_44750583的博客
06-25 1405
随着lecture10的结束，标志着CS230到Coursera上deeplearning.ai专项课程的所有编程作业的完成，中途虽然进度比较慢，也曾遇到很多困难，但是收获满满，也找到了自己比较感兴趣的方向，这一阶段暂时可以告一段落。所以这里做一个总结性的目录，以后可以方便随时回顾和查看： 注：所有编程作业都是在TensorFlow2.1 CPU、Python3.7下实现的。因此可能会有很多地方和原本官方作业提供的不太一样，但是都是一些理解性的修改。 笔记和作业目录： 注：lecture 10只有一个50分
cs230课程 期末作业
u010669349的博客
05-30 339
https://cs230.stanford.edu/projects_spring_2018/posters/
机器智能-高频问题：目标检测经典算法（YOLO算法）
君陌的博客
06-07 2723
2、YOLO算法： a、核心思想： 输入：利用整张图作为网络的输入 输出：直接在输出层回归bounding box的位置和bounding box所属的类别 b、不用单独提取候选区域，速度快 c、bounding box：包括四个坐标(x,y,w,h)，人为设置的真实框，类似于数据标签。 d、真实框：人工标注的包含有对象的bounding box e、锚框(anchor)：人为构造出来的假想框。其长宽是认为设置的，用于解决对象的多尺度问题，类似于机器学习里面的样本。以某个中心点（神经网络随机得到）为中心，以
吴恩达深度学习CS230全部课件部分1
10-28
吴恩达深度学习CS230全部课件部分1，吴恩达深度学习另一个优秀的课程，该课程教学与实践相结合。不过课件资源较大，分了三次上传。只要1分一个。
keras实现调用自己训练的模型,并去掉全连接层
09-16
### Keras实现调用自己训练的模型，并去掉全连接层 在深度学习领域，Keras是一种高级神经网络API，能够运行在TensorFlow之上。它允许用户轻松地构建和训练复杂的神经网络模型。本文将详细介绍如何使用Keras加载之前...
seresnet50训练自己的数据集_使用Keras预训练模型ResNet50进行图像分类方式
weixin_39608300的博客
12-18 1654
Keras提供了一些用ImageNet训练过的模型：Xception，VGG16，VGG19，ResNet50，InceptionV3。在使用这些模型的时候，有一个参数include_top表示是否包含模型顶部的全连接层，如果包含，则可以将图像分为ImageNet中的1000类，如果不包含，则可以利用这些参数来做一些定制的事情。在运行时自动下载有可能会失败，需要去网站中手动下载，放在“~/.ker...
计算机前沿课程期末大作业、基于深度学习的安全帽监管系统、YOLO v4
07-02
鉴于安全帽佩戴检测的重要性，利用图像视觉和神经网络算法对安全帽佩戴情况进行检测一直是研究的热点，国内外许多学者已对此做了大量工作，RCNN系列、SSD和YOLO系列等算法在安全帽检测中都得到了广泛应用。然而，在实际应用中，由于安全帽佩戴检测外部环境通常为建筑工地、大型工厂、车间等复杂环境，目标遮挡、光线等因素极易影响检测精度，另一方面，在安全帽实时监测的视频采集原始图像中，安全帽目标相比图像尺寸通常占比很小，往往会造成目标漏检。因此，如何提高复杂环境下的安全帽佩戴检测精度和检测速度是应用的关键。针对上述难题，本文提出了一种基于改进YOLOv4的安全帽佩戴检测方法。
吴恩达深度学习CS230全部课件部分2
10-28
第二部分，吴恩达深度学习CS230全部课件部分2，吴恩达深度学习另一个优秀的课程，该课程教学与实践相结合。不过课件资源较大，分了三次上传。只要1分一个。
Python高级编程 期末大作业 用自建数据集进行目标检测（采用YOLO v3算法）
拔牙不打麻药
01-22 1890
期末大作业要求如下↓ 参考教程：https://www.cnblogs.com/gezhuangzhuang/p/10596545.html https://zhuanlan.zhihu.com/p/46595846 实验环境及工具：Python 3.7+Tensorflow 1.14（cpu版）+keras 2.31+Pycharm+精灵标注助手软件； 实验原理 目标检测：目标检测即找出图像中所有感兴趣的物体，包含物体定位和物体分类两个子任务，同时确定物体的类别和位置。 传统目标检测的方法一般分为三
CS230学习笔记(一)
qq_35700335的博客
05-11 1311
CS230学习笔记(一) 1.前言 ok，前思后想，左思右想，我还是觉得自己得督促一下自己，所以，我觉得开始更新cs230的笔记，当然，我前面的六篇pytorch学习笔记我是不会放着不管的，后面肯定会继续更新，但现在我想先丰富一下自己的知识库，让自己能写出更好的博客，这次cs230的学习笔记我想法是不仅进行课上总结，相应的assignment我也会完成并进行解析(以我的知识储备吧)，而且，为了写出...
CS230(DeepLearning)Leture2的学习笔记(2)之深度学习
不负如来不负卿
04-11 380
CS230_Leture2的学习笔记2之深度学习        我们先来回顾下第二章的学习目标：        而对于第二章Week1的学习目标已经完成，具体学习内容参考博主另一篇博客，站内搜索 CS230(DeepLearning)Leture2的学习笔记...
基于Tensorflow2的YOLOV4 网络结构及代码解析（4）——Loss和input
xiaoyang0307的博客
02-27 687
基于Tensorflow2的YOLOV4 网络结构及代码解析（4）——Loss和input 本部分介绍yolov4源码中Train中内容，包括Input和Loss Input: Loss:
吴恩达第四课第三周分析
ballzy的博客
04-10 333
#吴恩达课后编程作业 keras使用 #引用块 import argparse import os import matplotlib.pyplot as plt from matplotlib.pyplot import imshow import scipy.io import scipy.misc import numpy as np import pandas as pd import P...
Python吴恩达深度学习作业15 -- YOLO原理及应用（自动驾驶——汽车检测）
qq_41476257的博客
07-20 3391
回想一下，我们在尝试识别80个类别，并使用5个定位框。我们已经在两个文件“coco_classes.txt”和“yolo_anchors.txt”中收集了有关80个类和5个框的信息。让我们通过运行下一个单元格将这些数加载到模型中。车辆识别数据集包含720x1280图像，我们已将其预处理为608x608的图像。......
动手学无人驾驶（2）：车辆检测
10点43的博客
10-17 1824
上一篇博客介绍了无人驾驶中深度学习在交通标志识别中的应用（动手学无人驾驶（1）：交通标志识别）。 本文介绍如何使用深度学习进行车辆检测，使用到的模型是YOLO模型，关于YOLO模型的具体检测原理，可以参考吴恩达老师的深度学习课程视频。课程链接是：https://www.deeplearning.ai/deep-learning-specialization/。 之前的一篇博客中也对YOLO的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值